I.1Поиск и навигация по информации

Dynamic-TinyBERT — модель семейства TinyBERT, разработанная Shira Guskin, Moshe Wasserblat, Ke Ding и Gyuwan Kim. Она дообучена для ответов на вопросы по контексту и обучена на SQuAD 1.1. Модель использует сокращение длины последовательности и оптимизацию гиперпараметров, чтобы повышать скорость вывода при разных вычислительных бюджетах. Это плотная модель на архитектуре BERT с 80,1 млн параметров, предназначенная для англоязычного вопросно-ответного поиска по текстовым фрагментам. Максимальная длина контекста составляет 512 токенов. Авторы сообщают о качестве на уровне BERT и компромиссе между точностью и скоростью, который может обеспечивать ускорение до 3,3 раза. Модель подходит для извлечения ответа из предоставленного текста в системах поиска и поддержки пользователей. Заявленные результаты относятся к SQuAD 1.1; перенос качества на другие данные и сценарии не гарантирован. Формат весов — PyTorch, лицензия — Apache-2.0.

bhadresh-savani/electra-base-squad2 — англоязычная модель для извлечения ответов на вопросы, созданная авторами deepset на основе electra-base и обученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном отрывке текста и может распознавать случаи, когда в отрывке ответа нет. Для работы с наборами документов README предлагает использовать Haystack. Модель содержит 136,7 млн параметров, архитектура — ELECTRA для вопросно-ответной задачи; контекст ограничен 512 токенами. Доступны веса в PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC BY 4.0.

Это англоязычная модель для извлекающего ответа на вопросы, разработанная на основе bert-base-uncased и дообученная целиком на подвыборке SQuAD v1.1. Архитектура — BERT-base с 12 слоями Transformer, размером 768 и 12 головами внимания; модель содержит около 136,7 млн параметров по метаданным. Контекст модели ограничен 512 токенами, а при обучении использовались окна длиной 384 токена с шагом 128. Модель принимает вопрос и текстовый фрагмент и выбирает ответ как непрерывный отрывок из этого текста. Она подходит для поиска фактического ответа в предоставленном англоязычном тексте, например в документах или статьях. В оценке на валидационной выборке SQuAD v1.1 указаны Exact Match 73,59% и F1 82,70%. Модель не формулирует ответы своими словами и не определяет надёжно, что ответа в тексте нет; длинные тексты следует обрабатывать скользящими окнами. Для языков, отличных от английского, и задач, чувствительных к регистру, она не предназначена. Лицензия — Apache-2.0.

TARUNBHATT/flan-t5-small-finetuned-squad — дообученная на SQuAD v2 модель Google FLAN-T5-small для ответов на вопросы по предоставленному контексту. Это плотная encoder-decoder архитектура T5 с 45,8 млн параметров; модель работает с текстом и поддерживает контекст длиной до 512 токенов. В карточке приведён результат оценки на тестовом наборе SQuAD v2: loss 1,4937. Модель подходит для извлечения ответа из текста и сценариев вопросно-ответного поиска. Базовая FLAN-T5-small дообучена следованию инструкциям и многоязычным NLP-задачам, но эта версия специально адаптирована к SQuAD v2. Она распространяется по лицензии Apache-2.0. Результат loss сам по себе не позволяет оценить качество ответов в прикладном сценарии; README не содержит дополнительных сведений о тренировке и ограничениях.

Glyph — мультимодальная модель и фреймворк для работы с длинными текстовыми контекстами, разработанные на базе GLM-4.1V-9B-Base. Вместо передачи длинного текста как последовательности токенов Glyph преобразует его в изображения и обрабатывает с помощью vision-language модели. Такой подход позволяет уменьшить вычислительные и memory-затраты при сохранении смысловой информации. Модель предназначена для понимания длинных текстов, переданных в визуально-текстовом формате: например, для анализа документов и поиска сведений в больших текстовых корпусах. Архитектура — плотная GLM-4V, реализация для Transformers; веса опубликованы в формате Safetensors. В карточке указаны китайский и английский языки. Лицензия — MIT. Качество зависит от параметров рендеринга текста, включая разрешение, шрифт и интервалы; модель может хуже работать со стилями, отличающимися от использованных при дообучении. Возможны ошибки распознавания редких и мелких буквенно-цифровых строк, например UUID. Обобщение на задачи за пределами понимания длинного контекста изучено ограниченно.

GRPO-VI-Qwen2-7B-RAG — языковая модель, дообученная командой Nguyen Nho Trung, Nguyen Van Huy и Nguyễn Nhat Quang на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для генерации ответов в системах с дополненной поиском генерацией (RAG), сохраняя диалоговые возможности. Обучение включало supervised fine-tuning и GRPO на вьетнамских примерах: модель улучшали для многошаговых вопросов по найденным документам, отбора нерелевантных сведений и объединения информации. Также модель подходит для общих вопросов, математики и задач по программированию. Это плотная архитектура Qwen2 с 7,1 млрд параметров, рассчитанная на текстовый ввод и текстовые ответы; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов. Модель ориентирована на вьетнамский язык. В карточке приведены оценки на внутреннем наборе EvalRAGData и бенчмарке VMLU, но результаты не гарантируют точности в других сценариях. Разработчики отмечают возможные ошибки и предвзятые или неуместные ответы, особенно на политические и общественные темы. Лицензия — Apache-2.0.

Huihui-MiroThinker-v1.0-8B-abliterated — версия MiroThinker-v1.0-8B, изменённая проектом huihui-ai методом abliteration для снижения числа отказов. Это плотная языковая модель семейства Qwen3 с 7,6 млрд параметров, рассчитанная на генерацию текста и диалог; базовая MiroThinker предназначена для многошаговых исследований, поиска информации и вызова инструментов. Модель можно запускать через Transformers или Ollama. Контекст модели составляет 262 144 токена. В карточке указаны английский язык и лицензия MIT. Abliteration снижает защитные отказы и может приводить к чувствительным, спорным или неподходящим ответам; результаты следует тщательно проверять.

Jina AI выпустила совместимую с vLLM версию Jina Embeddings v4 — мультимодальной многоязычной модели для поиска по визуальным документам. Веса адаптера text-matching объединены с базовыми весами Qwen2.5-VL; модель насчитывает 3,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для мультимодального сопоставления текстовых запросов с визуальными документами и их поиска. Версия с объединённым адаптером обеспечивает совместимость с vLLM без отдельной обработки адаптера. Сведения о лицензии и конкретных ограничениях применения в предоставленных данных отсутствуют.

NVIDIA Llama NemoRetriever ColEmbed 1B v1 — мультимодальная модель эмбеддингов с поздним взаимодействием, дообученная для поиска документов по запросу. Она принимает текстовые запросы и текстовые либо визуальные страницы документов, включая страницы с диаграммами, таблицами и инфографикой, и формирует ColBERT-подобные многовекторные представления для ранжирования релевантных документов. Модель построена на трансформерной архитектуре с компонентами SigLIP 2 Giant и Llama 3.2 1B. NVIDIA позиционирует её для мультимодального RAG, поиска по визуальным документам и кросс-модального поиска; в README сообщается о втором месте на бенчмарках ViDoRe V1, ViDoRe V2 и MTEB VisualDocumentRetrieval на дату 27 июня 2025 года. Для запуска указаны Transformers 4.49.0 и Flash Attention; README приводит интеграцию с TensorRT и Triton и поддержку GPU A100 и H100 под Linux. Модель предназначена только для некоммерческого использования и исследований. Она возвращает числовые векторы, а не готовые текстовые ответы; качество и скорость зависят от инфраструктуры и не гарантированы за пределами описанных бенчмарков и сценариев поиска.

LongLLaMA-3B — языковая модель с авторегрессионной архитектурой LongLlama, разработанная авторами метода Focused Transformer на основе OpenLLaMA-3B. Модель содержит 3,3 млрд параметров и дообучена методом FoT для работы с длинным контекстом. Репозиторий предоставляет веса PyTorch и Safetensors по лицензии Apache-2.0. Модель предназначена для генерации текста, ответов на вопросы и извлечения сведений из длинных входных последовательностей. В карточке заявлена обработка контекста до 256 тыс. токенов и более; для этого вход разбивается на окна, а механизм памяти сохраняет ключи и значения выбранных слоёв. Обычный режим совместимости с реализацией LLaMA ограничен контекстом в 2048 токенов. Авторы показывают результаты на извлечении ключевой фразы, классификации вопросов TREC и ответах на вопросы WebQS. К заявленным преимуществам относятся расширение контекста без обучения на последовательностях такой длины и сохранение результатов на короткоконтекстных задачах. Качество на очень длинных последовательностях зависит от специального механизма обработки контекста и настроек памяти; README приводит в основном иллюстративные оценки на отдельных задачах. В метаданных длина контекста указана как 2048 токенов, что соответствует базовому режиму без расширения контекста.

Это экспортированная в ONNX версия модели Tryolabs для ответов на вопросы в диалоге. Она основана на LongT5-TGlobal-Base и дообучена на SQuADv2, CoQA и собственном наборе TryoCoQA. Архитектура LongT5 предназначена для работы с длинным текстом; размер модели — 123,7 млн параметров, контекст — до 4096 токенов. Модель подходит для извлечения ответов из текста и ответов на вопросы с учётом контекста беседы, например, по содержимому статей и документов. Экспорт разделяет вычисления на компоненты энкодера и декодера для запуска через ONNX Runtime и 🤗 Optimum. В README приведены результаты на тестовых наборах: F1 74,29 после обучения на SQuADv2 и CoQA и F1 54,77 после обучения на TryoCoQA. Лицензия в предоставленных данных не указана.

Это англоязычная экстрактивная модель вопросно-ответной системы на базе MiniLM, разработанная badokorach путём дообучения deepset/minilm-uncased-squad2 на датасете, который в карточке не раскрыт. Модель принимает текст и вопрос и извлекает ответ из предоставленного текста; её можно применять для поиска ответов в документах и фрагментах текста. Модель построена на архитектуре BERT, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Опубликована в формате TensorFlow под лицензией CC BY 4.0. В карточке приведены значения Train Loss 0.9804 и Validation Loss 0.0 после трёх эпох; описание датасета и сведения о надёжности оценки отсутствуют.

OBLIQ-IR-3B-no-distill — полноценно обученный плотный текстовый ретривер, созданный исследовательской группой DataScience-UIBK как абляционная версия OBLIQ-IR. Модель основана на nvidia/llama-nv-embed-reasoning-3b и дообучена без дистилляции по графу k ближайших соседей авторского стиля; в остальном использованы те же обучающие данные, конфигурация LoRA и расписание, что и в основном варианте. Вес модели — 3,2 млрд параметров, архитектура — двунаправленная Llama, контекст — до 131 072 токенов. Модель предназначена для плотного поиска по тексту и сравнения смысловой близости запросов и документов. В статье её оценивают на поиске по авторскому стилю, математике, публикациям в Twitter и материалам Конгресса США. На задаче поиска текстов по стилю её NDCG@10 составляет 0,096, тогда как дистилляция в основном варианте повышает этот показатель до 0,211; на остальных трёх задачах различия невелики. Репозиторий содержит объединённые веса bf16, поэтому они немного отличаются от исходного адаптера. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Многоязычная модель OpenSearch для разреженного поиска по текстам. Она построена на архитектуре BERT и содержит 194,6 млн параметров; репозиторий опубликован в формате safetensors. Модель обучена выдавать разреженные векторы размерности 105 879: при кодировании документов веса отражают важность токенов, а запросы можно представить разреженными векторами с помощью токенизатора и таблицы весов. Релевантность оценивается скалярным произведением векторов. Модель предназначена для поиска документов и пассажей, расширения документов и семантического поиска с разреженным индексом OpenSearch на основе инвертированного индекса Lucene. В карточке приведены результаты на MIRACL для 15 языков, включая русский; для сокращения размера представления рекомендуется прореживание max_ratio. Контекст модели — до 512 токенов. В бенчмарке исключён тайский язык, поскольку uncased-основа не может его кодировать. Модель выпущена участниками проекта OpenSearch по лицензии Apache-2.0. Её применение особенно связано с поисковой инфраструктурой OpenSearch; показатели бенчмарка относятся к MIRACL и сами по себе не гарантируют качество на других наборах данных и сценариях.

oxfrug/qwen3-embedding-0.6b-swedish-superlim — плотная модель текстовых эмбеддингов, созданная oxfrug как шведский fine-tune с усреднением весов двух вариантов Qwen/Qwen3-Embedding-0.6B. Она содержит около 507,6 млн параметров, использует архитектуру Qwen3 и формат safetensors; максимальная длина контекста по метаданным — 32 768 токенов. Для поиска рекомендуется применять официальный префикс Qwen к запросу, а не к документам. Модель предназначена для оценки семантического сходства шведских предложений, поиска по FAQ и документам, а также кластеризации. В тестах SuperLim-2 она превзошла указанный в карточке шведский Sentence-BERT на SweParaphrase и SweFAQ, но результаты этих задач ограничены небольшими выборками. Это специализированная настройка: карточка отмечает, что модель уступает сестринской BGE-модели на обеих задачах SuperLim и KBLab по среднему результату на шведском подмножестве MTEB. Модель дообучена на данных SuperLim-2 и шведских вопросах и ответах о здравоохранении, с комбинированием весов двух дообученных вариантов. Лицензия — Apache-2.0. Квантизация до 4 бит может ухудшить результаты сходства, на которых основано заявленное преимущество.

Qwen3-Reranker-0.6B-AWQ-INT4 — квантизированная версия базовой модели Qwen/Qwen3-Reranker-0.6B, подготовленная drawais. Модель предназначена для переранжирования результатов поиска и может использоваться как компактный компонент локального retrieval-стека совместно с embedding-моделью. Модель использует квантизацию весов INT4 по технологии AWQ, имеет размер на диске около 0,5 ГБ и рассчитана на запуск с Transformers или vLLM. В README указан рекомендуемый максимальный контекст 32 768 токенов. Поддерживаемый язык — английский. Дополнительные сведения об архитектуре и точном количестве параметров в README не приведены. К сильным сторонам относятся небольшой размер и низкие требования к дисковому пространству, что упрощает локальное развертывание. Ограничения включают англоязычную специализацию, отсутствие приведённых оценок качества и потенциально возможные особенности точности, связанные с 4-битной квантизацией; конкретное влияние на качество в README не описано. Модель распространяется по лицензии Apache License 2.0 как производная работа от Qwen/Qwen3-Reranker-0.6B, с требованиями к атрибуции, указанными в NOTICE.

Xirui1208 разработала ReadAll ReadTwice 14B stage-2 — контрольную точку продолжения обучения с подкреплением для ответов на вопросы по длинным документам. Это плотная причинная языковая модель семейства Qwen2, содержащая 14 млрд параметров; в корневых файлах размещён BF16-вариант для вывода, а в training_checkpoint — состояние обучения с FP32-параметрами и данными оптимизатора. Модель использует окно контекста 32 768 токенов и рассчитана на протокол ReadTwice: SKIM, последовательное обновление полного контекста и FINAL. Документы разбиваются на фрагменты по 5000 токенов и обрабатываются последовательно. Модель предназначена для длинноконтекстного вопросно-ответного поиска по документам. По README, это продолжение обучения родительской модели ReadAll14B step15; чекпойнт сохранён после 60 обновлений оптимизатора и 960 обучающих вопросов, а полный план обучения не завершён. Заявленные результаты более раннего чекпойнта к этой версии не относятся; сама эта версия бенчмарками не оценивалась. Для воспроизведения ReadTwice нужен описанный протокол из training_code.tar.gz: одиночный запрос не воспроизводит рабочий сценарий. Лицензия в предоставленных данных не приведена.

Sindhu/rembert-squad2 — модель RemBERT, дообученная разработчиком на наборе SQuAD 2.0 для ответа на вопросы по заданному контексту. Она предназначена для извлечения ответа из текста и обработки вопросов, в том числе когда контекст не содержит ответа. Модель содержит около 967,8 млн параметров, использует архитектуру RemBERT и принимает контекст длиной до 512 токенов. Карточка указывает мультиязычную ориентацию; формат весов — PyTorch. Лицензия в предоставленных данных не указана.

sparse-encoder-testing/splade-bert-tiny-nq-openvino — компактная англоязычная модель разреженного кодирования на базе BERT, опубликованная в репозитории sparse-encoder-testing. Она предназначена для преобразования текстов в разреженные векторные представления, пригодные для поиска и сопоставления документов. Модель реализована с использованием Sentence Transformers, экспортирована в формат OpenVINO и обучена с функцией потерь SpladeLoss на наборе Natural Questions размером около 99 000 примеров. Модель содержит 4,4 млн параметров и поддерживает контекст до 512 токенов. Её основная модальность — текст, язык — английский. Разреженные представления могут быть полезны для эффективного полнотекстового и семантического поиска, ранжирования документов и построения retrieval-компонентов в системах вопросно-ответного поиска. Модель не предназначена для генерации текста или непосредственного ответа на вопросы. Распространяется по лицензии Apache-2.0. Благодаря небольшому размеру и поддержке OpenVINO модель подходит для локального инференса и систем с ограниченными ресурсами, однако качество и применимость за пределами англоязычных поисковых сценариев могут быть ограничены.

prithivida/Splade_PP_en_v1 — англоязычный разреженный поисковый энкодер семейства SPLADE++, разработанный Donkey Stereotype. Это независимая реализация для поиска по документам: модель преобразует текст в разреженное представление по словарю BERT и расширяет его контекстуально предсказанными токенами. В основе лежит bert-base-uncased; модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в форматах PyTorch и ONNX. Энкодер предназначен для представления документов в системах информационного поиска и семантического поиска, где важны совпадения терминов, расширение запроса и разреженный индекс. В карточке описаны настройки с ограниченным бюджетом токенов и FLOPS, ориентированные на эффективность извлечения; для запросов автор предполагает отдельную модель, которая в этой карточке не представлена. Указаны результаты на MS MARCO и сравнительные показатели поиска, однако они зависят от настройки и не гарантируют качество на других корпусах. Модель работает с текстом на английском языке. Лицензия — Apache-2.0. В README отмечено, что к ней применимы ограничения и смещения базовой BERT-модели.

Модель luigisaetta/squad_it_xxl_cased_hub1 разработана на основе BERT и предназначена для извлечения ответов на вопросы из итальянских текстов. Она дообучена на датасете squad_it от предварительно обученной модели dbmdz/bert-base-italian-xxl-cased. Модель использует регистрозависимое представление итальянского языка, содержит 137,9 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для поиска ответов на вопросы по текстовым отрывкам, например, в системах справки и поиска по документам на итальянском языке. На оценочной выборке указаны EM 63,95 и F1 75,27. Она решает задачу extractive question answering: ответ выбирается из исходного текста. Доступна в формате PyTorch; сведения о лицензии в использованных данных отсутствуют.

prhegde/t5-query-reformulation-RL — генеративная модель для переформулирования поисковых запросов. Это модель типа T5 с архитектурой encoder-decoder и примерно 123,8 млн параметров, разработанная на основе Google T5-base. Она сначала обучалась на парах запросов MS MARCO, а затем дообучалась с подкреплением методом policy gradient, чтобы создавать разнообразные и релевантные варианты запросов. Модель предназначена для расширения охвата поиска: переформулированные запросы можно использовать со sparse retrieval, например BM25. Сценарии применения включают веб-поиск, поиск в электронной коммерции, информационный поиск, а также подготовку запросов для виртуальных помощников и чат-ботов. Она принимает текстовый запрос и генерирует его текстовые варианты; указанный родной контекст — 512 токенов. Карточка ориентирует модель на английский язык. Лицензия — Apache-2.0. Разнообразие генерации можно настраивать семплированием и штрафом за повторения. Награды при обучении рассчитывались эвристически, поэтому качество может зависеть от предметной области и целевой функции; README допускает замену наград на специализированные. Оценки качества и гарантии пригодности для конкретного поискового домена в карточке не приведены.

tevatron-elastic-qwen3-0.6b-reranker-ltc — модель переранжирования документов, разработанная в рамках проекта Tevatron-Elastic на базе Qwen/Qwen3-0.6B-Base. Она оценивает релевантность passages для поискового запроса и помогает улучшить порядок результатов информационного поиска. Модель использует плотную архитектуру Qwen3 и содержит около 508 млн параметров. Это эластичный вариант с послойным сжатием токенов (M-LTC): один чекпойнт поддерживает несколько режимов с разной долей сохраняемых токенов, выбираемых через Tevatron-Elastic. Контекст модели — до 32 768 токенов, однако при обучении использовалась максимальная длина 512 и префиксы query: и passage:. Для оценки на BEIR-15 указано значение nDCG@10 0,552 в полном режиме. Чекпойнт предназначен для экспериментов и воспроизводимости результатов, а не заявлен как модель с передовым качеством. Для загрузки требуется фреймворк Tevatron-Elastic. Модель дообучена на rlhn/rlhn-680K и распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели gemma2-2b-rerank-checkpoint-8800, предназначенной для задач ранжирования текста. Исходная модель размещена пользователем thusinh1969, а квантизация выполнена Richard Erkhov. Модель может применяться для переупорядочивания текстовых результатов по релевантности, например в поиске или системах retrieval, однако подробности об используемых данных и методике обучения не указаны. В репозитории представлены варианты с квантизацией Q2_K, Q3, Q4, Q5, Q6, Q8 и IQ3/IQ4 разных уровней. Размер файлов составляет примерно от 1,15 до 2,59 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура основана на семействе Gemma 2 с заявленным размером 2B, но сведения о модальностях, языках, длине контекста и точных характеристиках reranking-компонента отсутствуют. Преимуществами являются компактные GGUF-варианты и возможность локального использования через совместимое программное обеспечение. Ограничения связаны с отсутствием результатов оценки, инструкций по применению, подробного описания обучения и информации о лицензии: в карточке лицензия не указана.

TSFT-RAG Gemma-3-1B-IT — плотная языковая модель с 1 млрд параметров, дообученная с полным обновлением весов Сашей Франком в рамках исследовательского проекта TSFT-RAG на базе google/gemma-3-1b-it. Она предназначена для задач Retrieval-Augmented Generation: ответов по предоставленному контексту, отказа при недостатке подтверждений, извлечения информации и формирования структурированных ответов. Модель поддерживает диалоговый режим, работает с текстом и имеет контекстное окно 32 768 токенов. В оценке на 1 940 немецкоязычных примерах модель заметно лучше базовой справлялась с неподдержанными вопросами, но хуже отвечала на обоснованные контекстом вопросы. Это специализированная настройка под форматы RAG, а её качество для других задач систематически не оценивалось; она также может выдавать неверные сведения. Распространяется по лицензии Gemma.

VenkatManda/V2 — компактная модель на архитектуре BERT, дообученная разработчиком VenkatManda на VenkatManda/V1 для извлечения ответа на вопрос из предоставленного текста. Она рассчитана на сценарии вопросно-ответного поиска, включая контексты, в которых ответа нет; модель обучалась на SQuAD v2. Размер модели — 4,4 млн параметров, длина контекста — до 512 токенов. Весовые файлы представлены в формате safetensors. Модель распространяется по лицензии MIT. Карточка не содержит сведений о языковом охвате или подробных результатах оценки.

Vela FactCheck — модель классификации текста от vllm-sr, дообученная на базе vllm-sr/Vela-1.0-Encoder-307M. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждений. Архитектура — ModernBERT для классификации последовательностей, размер — 306,9 млн параметров, максимальная длина входа — 32 768 токенов с учётом специальных токенов. Модель рассчитана на классификацию запросов в системах маршрутизации и retrieval.

tyqiangz/xlm-roberta-base-finetuned-chaii — модель на архитектуре XLM-RoBERTa Base, дообученная для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста по заданному вопросу. В метаданных указан размер 305,2 млн параметров и длина контекста 514 токенов; доступны веса PyTorch и safetensors. Карточка сообщает о дообучении на наборе данных chaii и приводит значение функции потерь 0,4651 на оценочной выборке, но не описывает состав данных, языки и конкретные ограничения качества. Модель опубликована под лицензией MIT.

AetherSearch — поиском дополненная языковая модель, опубликованная muradil211. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов, представленная в формате Safetensors для Transformers. Карточка описывает многоэтапное постобучение с SFT, DPO и обучением с подкреплением. Модель предназначена для генерации текста в диалоговом формате и сценариев поиска с дополнением ответа, а также предоставляет интерфейс вызова инструментов. Основной язык карточки — английский. В README указана загрузка через AutoModelForCausalLM и AutoTokenizer. В README не приведены сведения, позволяющие установить базовую модель и условия лицензирования: автор отмечает, что атрибуцию базовой модели и лицензию следует определить по фактическим условиям базовой модели и данных перед распространением. Поэтому права на использование и перераспространение этих весов требуют отдельной проверки.

Palak/albert-base-v2_squad — модель ALBERT дообученная разработчиком Palak на albert-base-v2 для ответов на вопросы по контексту. Она предназначена для сценариев извлечения ответа из текста, например для поиска ответа в документе или фрагменте статьи. Модель содержит 136,3 млн параметров, использует архитектуру AlbertForQuestionAnswering и принимает контекст длиной до 512 токенов. Веса представлены в формате PyTorch; лицензия — Apache-2.0. На наборе SQuAD v1 модель показала exact match 82,7 и F1 90,1 по оценке в карточке. Эти результаты относятся к тестированию на SQuAD и не гарантируют аналогичное качество на других языках, предметных областях или форматах контекста.