I.1Поиск и навигация по информации

mingchi21/hf_question_answering_model — англоязычная модель DistilBERT, дообученная разработчиком на задаче question-answering. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться для поиска фактов в коротких текстовых фрагментах. Модель построена на DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате safetensors. В README приведено значение loss 1,6937 на evaluation set, но набор данных и методика оценки не описаны, поэтому по этому результату нельзя надёжно судить о качестве. Модель распространяется по лицензии Apache-2.0.

ItColBERT — модель поиска по тексту, разработанная и поддерживаемая Энрико Нелло. Она предназначена для семантического поиска, извлечения фрагментов для RAG и переранжирования результатов по итальянским документам. Модель построена на базе Italian ModernBERT и использует позднее взаимодействие в стиле ColBERT: представляет каждый токен отдельным вектором размерности 128 и оценивает совпадения между токенами запроса и документа по MaxSim. Размер модели — около 134,9 млн параметров, контекст — 8192 токена; для работы используется библиотека PyLate. Модель подходит для коротких и средних фрагментов, где важны точные формулировки, имена и числа. Векторы для каждого токена повышают детализацию сопоставления, но требуют больше места для хранения, чем обычные векторные эмбеддинги. На этапе индексирования документы длиннее 512 токенов обрезаются; для длинных материалов автор рекомендует делить их на перекрывающиеся фрагменты и объединять оценки по исходному документу. Модель рассчитана только на итальянский язык и не предназначена для межъязыкового поиска. В карточке указана лицензия Apache-2.0.

Labira/LabiraPJOK_2_100_Full — модель вопросов и ответов на базе архитектуры BERT, дообученная разработчиком Labira на основе Labira/LabiraPJOK_1_100_Full. Она предназначена для извлечения ответа на вопрос из предоставленного текста. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате TensorFlow для библиотеки Transformers. В карточке приведены значения потерь на обучающей и проверочной выборках, но набор данных, языки и практические ограничения не описаны. Модель выпущена под лицензией MIT.

Llama-3-Giraffe-70B — экспериментальная длинноконтекстная версия Llama 3 70B, представленная Abacus.AI. Это плотная авторегрессионная языковая модель на архитектуре LlamaForCausalLM с 69,5 млрд параметров; README сообщает об эффективном контексте около 128 тыс. токенов, тогда как в метаданных указан native context 8192 токена. Для расширения контекста применялись PoSE и динамическая NTK-интерполяция: обучение включало около 1 млрд токенов и длинные образцы из RedPajama. Модель предназначена для генерации текста и экспериментов с извлечением информации из длинных последовательностей, например поиска фрагмента в большом документе. В README приведена оценка Needle-in-a-Haystack на контекстах до 128 тыс. токенов, но это начальный выпуск, и авторы отмечают, что планируют улучшать результаты по мере дальнейшего обучения. Модель принимает и генерирует текст; в метаданных указан английский язык. Лицензия — Llama 3 license (llama3).

Это модель Longformer-base-4096, дообученная mrm8488 на наборе SQuAD v2 для ответов на вопросы по переданному тексту. Она предназначена для извлечения ответа из контекста и умеет возвращать пустой ответ, когда в контексте нет ответа на вопрос. Модель построена на архитектуре Longformer — варианте Transformer с локальным скользящим вниманием и настраиваемым глобальным вниманием. Она поддерживает последовательности длиной до 4098 токенов и содержит около 151,8 млн параметров. Базовый Longformer был инициализирован из RoBERTa и предварительно обучен на длинных документах; доступны веса PyTorch и TensorFlow. Основной язык карточки и набора SQuAD v2 — английский. Модель подходит для вопросов по длинным англоязычным документам, если нужный ответ содержится в предоставленном контексте. Она обучена на SQuAD v2, поэтому её качество на других типах текста и предметных областях может отличаться; это модель извлечения ответа, а не универсальный генератор ответов. Лицензия в предоставленных данных не указана.

Matryoshka Hypencoder — англоязычная модель нейронного поиска, разработанная в рамках магистерской диссертации как расширение архитектуры Hypencoder. Она использует двойной энкодер с замороженными BERT-base и обучаемой Matryoshka hyper-head, которая генерирует для запроса сеть оценки релевантности Q-Net. Доступны вложенные размерности Q-Net 128, 256, 512 и 768, что позволяет выбирать компромисс между скоростью оценки документов и качеством поиска без обучения отдельных моделей. Модель предназначена для ранжирования пассажей по запросу и поиска по большим корпусам. Она обучалась на MS MARCO Passage Ranking с дистилляцией оценок учителя и усреднённой невзвешенной Matryoshka Margin-MSE. В README приведены результаты nDCG@10 на TREC DL 2019 и 2020 и ускорение оценки документов при уменьшении Q-Net. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуется специальный код проекта hypencoder-cb; модель не работает напрямую через стандартные pipeline Transformers. Приведённые результаты относятся к тестам на MS MARCO и TREC DL, поэтому качество на других корпусах может отличаться.

NLPForUA әзірлеген бұл украин тіліндегі экстрактивті сұрақ-жауап моделі Microsoft-тың mdeberta-v3-base моделін FIdo-AI/ua-squad деректер жиынында қосымша оқыту арқылы жасалған. DeBERTa V3 негізіндегі 306 млн параметрлі модель Transformers кітапханасын пайдаланады және 512 токенге дейінгі контексті қолдайды. Модель берілген мәтін үзіндісінен сұраққа жауап болатын бөлікті таңдайды. Оны ашық домендегі сұрақ-жауап жүйесінде Retriever іріктеген үзінділерден жауапты табатын Reader ретінде немесе украин тіліндегі мәтіндер бойынша сұрақтарға жауап беру үшін қолдануға болады. Ол жауапты өз білімінен құрастырмайды, сондықтан тиісті жауап контекстте болуы керек. Оқу деректері украин тіліндегі SQuAD жинағынан алынған; README-де тест бөлінісіндегі Exact Match 58,26 және F1 71,99 нәтижелері берілген. Бұл көрсеткіштер тек сол деректер бөлінісі мен бағалау рәсіміне қатысты, оларды үздік нәтижеге жалпы кепіл ретінде қарастырмаған жөн. Модель MIT лицензиясымен таратылады және негізінен оқу мақсатында жарияланған.

prithivida/miniDense_chinese_v1 — модель эмбеддингов на архитектуре BERT для поиска и оценки сходства китайских текстов. В карточке указаны BERT и токенизатор XLM-RoBERTa со словарём около 250 тысяч токенов; модель содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель ориентирована прежде всего на поиск фрагментов и документов на китайском языке: она кодирует текст в векторы, которые можно сравнивать для ранжирования результатов. Разработчик приводит оценки на MIRACL и позиционирует серию miniMiracle как компактные модели для поисковых и информационно-поисковых сценариев. Доступны веса PyTorch и формат ONNX; для ONNX упомянута возможность запуска через FlashEmbed. Лицензия — CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий. Контекст ограничен 512 токенами; качество за пределами китайского поиска карточка не подтверждает. Разработчик также предупреждает о возможном наследовании смещений из базовых моделей и обучающих данных.

badokorach/mobilebert-uncased-finetuned-agic-181223 — англоязычная модель MobileBERT, дообученная на основе csarron/mobilebert-uncased-squad-v2. Она предназначена для извлечения ответов на вопросы из предоставленного текста и использует архитектуру MobileBertForQuestionAnswering. Модель содержит 59,7 млн параметров и поддерживает контекст длиной до 512 токенов. Карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты: потеря на обучении 0,0491, потеря на валидации 0,0 за 19 эпох. Эти значения сами по себе не позволяют оценить качество на новых данных. Модель опубликована под лицензией MIT.

Модель mrm8488/mobilebert-uncased-finetuned-squadv1 — англоязычный MobileBERT, дообученный Мануэлем Ромеро для ответов на вопросы по заданному тексту. Архитектура MobileBERT использует компактные bottleneck-структуры; модель содержит 59,7 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения ответа из предоставленного фрагмента текста: пользователь задаёт вопрос и передаёт контекст, а модель возвращает ответный фрагмент и оценку уверенности. В README сообщается о результате EM 82,33 и F1 89,64 на тестовых данных SQuAD. Модель обучена на данных SQuAD; карточка указывает SQuAD v1.1, хотя в описании обучения также упоминается SQuAD v2.0. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных сведениях не указана. Модель рассчитана на английский язык и ограничена ответами, обоснованными переданным контекстом; её не следует рассматривать как универсальную разговорную модель.

Это компактная модель MobileBERT для извлечения ответов на вопросы из текста. Она дообучена на базе csarron/mobilebert-uncased-squad-v2; автор карточки указывает неизвестный датасет дообучения. Модель содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. Формат весов — safetensors. Модель предназначена для сценариев, где вопрос и текстовый фрагмент подаются вместе, а система извлекает из фрагмента ответ. В карточке приведён результат оценки: loss 16.1284; подробности набора оценки и методики не раскрыты. Лицензия — MIT.

ModernBERT-base-finetuned-squad — англоязычная модель семейства ModernBERT, дообученная разработчиком на наборе данных SQuAD для извлечения ответов из текста. Это encoder-only модель с архитектурой ModernBertForQuestionAnswering, содержащая 149 млн параметров; заявленная длина контекста — до 8192 токенов. Модель подходит для систем вопросно-ответного поиска, где на вход подаются вопрос и текстовый фрагмент, а на выходе извлекается ответ из этого фрагмента. В README заявлено преимущество над bert-base-uncased на той же задаче и наборе данных, но приведены только результаты базовой модели, поэтому количественно оценить это преимущество по карточке нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она обучалась на SQuAD, поэтому её применимость к другим языкам, предметным областям и форматам вопросов может быть ограничена; результаты на независимых данных в карточке не приведены.

ModernBERT-large — англоязычная модель Answer.AI, LightOn и их коллег, представляющая собой двунаправленный трансформерный энкодер в стиле BERT. Она содержит около 395 млн параметров и принимает последовательности длиной до 8 192 токенов. В архитектуре используются Rotary Position Embeddings, чередование локального и глобального внимания, а также оптимизации для эффективной обработки длинных входов. Модель предварительно обучена на 2 трлн токенов английского текста и кода. Её основная задача — предсказание замаскированных токенов; как энкодер она также подходит в качестве основы для классификации, поиска информации и семантического поиска по текстовым и кодовым корпусам. Для запуска доступны форматы PyTorch, Safetensors и ONNX через библиотеку Transformers. Модель особенно полезна для длинных документов и поиска по коду, но карточка Hugging Face классифицирует её как fill-mask, а не как готовую модель эмбеддингов или классификатор. Качество может быть ниже для языков помимо английского и кода; обработка всего контекстного окна может быть медленнее коротких входов, а представления могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

XRe03/my_awesome_qa_model — модель DistilBERT, дообученная на distilbert/distilbert-base-uncased для ответа на вопросы. Она предназначена для задач question answering; карточка сообщает значение loss 1,7381 на оценочном наборе, но не описывает набор данных и условия оценки. Модель использует архитектуру DistilBertForQuestionAnswering, формат safetensors и контекст до 512 токенов. Базовая модель ориентирована на английский язык. Лицензия — Apache-2.0.

NanoVDR-D-Fast-Qwen3VL8B-4096 — визуальная башня документов для поиска по страницам, разработанная проектом NanoVDR. Это 457-миллионная модель-энкодер, которая принимает изображение страницы любого разрешения и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству с помощью скалярного произведения. Архитектура сочетает динамическую нарезку страницы на фрагменты, InternViT-300M-448, линейные проекции и ModernBERT-base с усреднением признаков. Она предназначена для построения векторных индексов документов и работает в общем пространстве эмбеддингов с совместимой башней запросов NanoVDR. Модель получена дистилляцией замороженной Qwen3-VL-Embedding-8B: обучение выравнивало векторы страниц с эмбеддингами учителя без меток релевантности и контрастивного обучения. Для изображения используются не более двух фрагментов и миниатюра; это снижает вычислительные затраты, но может ухудшать представление очень плотных страниц. В README результаты оценки приведены для наборов ViDoRe, поэтому качество на иных типах документов и распределениях запросов не установлено. Репозиторий распространяется по лицензии MIT.

Nemotron-3-Embed-8B-Medical — модель эмбеддингов для биомедицинских и клинических текстов на основе NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для поиска медицинской литературы и доказательств, извлечения контекста для RAG, проверки научных утверждений и тематической организации исследовательских коллекций. Модель содержит 8 млрд параметров, использует архитектуру Ministral 3 и библиотеку Sentence Transformers; заявленная длина контекста — 262144 токена. К весам базовой модели добавлена низкоранговая голова кластеризации, обученная на внешней литературе PubMed. Она меняет проекцию эмбеддингов для группировки документов по клиническим темам, сохраняя размер выходного вектора 4096 измерений. В README указаны результаты MTEB Medical и улучшения на двух наборах для кластеризации; оценивание проводилось с mteb 2.18.6. Модель поддерживает английский, китайский и польский языки; характеристики для китайского и польского унаследованы от базовой модели. Голова настроена на клинические категории и может хуже подходить для других таксономий. Для кодирования документов в Sentence Transformers следует явно задавать prompt_name="document"; при больших пакетах и длинных текстах возможен высокий расход памяти. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

MinKeonKim/PRO-STEP-Policy-7B — языковая модель для agentic RAG, разработанная в рамках проекта PRO-STEP. Это policy-модель, дообученная методом step-level DPO на базе Qwen2.5-7B-Instruct; обучение использовало траектории MCTS, оценённые процессной reward-моделью, и предпочтения на уровне отдельных шагов. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и нативный контекст 32 768 токенов; распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации ответов в системах поиска с извлечением документов, в том числе для многошаговых вопросов, где агент должен последовательно использовать найденные сведения. В README приведены результаты оценки на пяти наборах данных для QA, однако заявленные показатели относятся к конкретному конвейеру FlashRAG и не гарантируют такую же точность в других системах. В карточке указана поддержка английского языка. Лицензия — MIT.

PubMedBERT Embeddings 8M — англоязычная модель статических текстовых эмбеддингов, созданная NeuML как дистиллированная версия NeuML/pubmedbert-base-embeddings с библиотекой Model2Vec. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и построения баз знаний для RAG; подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке на CPU или GPU. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary: результаты конкурентоспособны, но не всегда превосходят другие модели из сравнения. Размер контекста в метаданных указан как 1 000 000 токенов. Распространяется по лицензии Apache-2.0.

QAmembert-large — модель CATIE-AQ на базе CamemBERT Large, дообученная для ответов на вопросы по контексту на французском языке. Она извлекает ответ из предоставленного текста и рассчитана также на распознавание случаев, когда в контексте нет ответа. Модель обучали на объединённом наборе frenchQA из четырёх французских наборов данных: в обучении использовано более 221 тысяч пар контекста и вопроса с ответом, а для тестирования — 6 376 примеров. Модель имеет архитектуру CamemBERT для вопросно-ответных систем, содержит 435,4 млн параметров и поддерживает контекст длиной до 514 токенов. В README приведены оценки на французских наборах FQuaD, qwant/squadfr и frenchQA. Лицензия — MIT. Результаты относятся к указанным наборам данных; качество на других областях и длинных контекстах может отличаться.

dongguanting/Qwen3-14B-ARPO-DeepSearch — чекпойнт модели, выпущенный вместе со статьёй об алгоритме Agentic Reinforced Policy Optimization (ARPO). Это плотная причинно-языковая модель семейства Qwen3 с 14 млрд параметров, предназначенная для генерации текста, диалога и многошагового использования инструментов агентом. Модель работает с текстом, а заявленная длина контекста составляет 40 960 токенов. ARPO обучает агентную политику взаимодействовать с внешними инструментами в ходе решения задач. В статье описаны адаптивный механизм выборки на основе энтропии и оценка вклада отдельных шагов; авторы сообщают об экспериментах на 13 тестах по вычислительным рассуждениям, знаниям и глубокому поиску, а также о снижении бюджета использования инструментов. Для практического применения описан запуск через Transformers; конкретные инструменты и агентная настройка требуют отдельной реализации. Модель опубликована под лицензией MIT. README представляет её как исследовательский чекпойнт к статье, поэтому заявленные результаты следует считать экспериментальными и не гарантировать на новых задачах; подробности о поддерживаемых языках и конкретных внешних инструментах в доступных материалах не приведены.

Qwen-7B-QAnything — двуязычная instruction-tuned модель на базе Qwen-7B, подготовленная для QAnything. Карточка описывает запуск через FastChat с бэкендами Transformers и vLLM; метаданные указывают архитектуру QWenLMHeadModel и контекст до 8192 токенов. Модель предназначена для диалоговых сценариев QAnything и может использоваться в системах, которым нужны генерация ответов и извлечение признаков для RAG. В README заявлена поддержка двух языков, но их названия не приведены. Репозиторий содержит веса PyTorch. В метаданных указана лицензия Apache-2.0, тогда как README ссылается на Tongyi Qianwen Research License Agreement; условия следует сверить перед использованием.

Это модель вопросно-ответной системы на базе RoBERTa, дообученная Harveyagraphcore на наборе данных SQuAD. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться, например, для поиска фактов в документах или ответов на вопросы по справочным материалам. Модель имеет архитектуру RoBERTa, содержит 151,8 млн параметров и принимает контекст длиной до 514 токенов. Доступна в формате PyTorch и распространяется по лицензии MIT. Карточка не приводит подробных результатов оценки или рекомендаций по применению. Поэтому качество на текстах и языках, отличающихся от SQuAD, не подтверждено; также следует учитывать ограничение на длину входного контекста.

Z-Jafari/roberta-fa-zwnj-base-finetuned-nestedRewrite_QA — дообученная персидская модель RoBERTa для ответов на вопросы. Она построена на HooshvareLab/roberta-fa-zwnj-base и использует архитектуру RobertaForQuestionAnswering; размер составляет 145,5 млн параметров, а длина контекста — до 514 токенов. Модель предназначена для извлечения ответа из предоставленного текста по вопросу. В README приведены результаты оценки: exact match 60,5 и F1 65,89. Датасет и подробности обучения не описаны. Модель распространяется по лицензии Apache-2.0.

roberta-finetuned-last-company — дообученная модель RoBERTa от автора tanishq1508 на базе deepset/roberta-base-squad2. Она предназначена для ответов на вопросы по предоставленному тексту и может определять, когда в контексте нет ответа. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и веса PyTorch; максимальная длина контекста — 514 токенов. Базовая модель ориентирована на английский язык. Данные для дообучения, подробные результаты оценки и ограничения в карточке не описаны. Лицензия — CC BY 4.0.

Search-R1-Qwen3-8B-SDAR — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория. Её обучали с помощью GRPO на многошаговых задачах поиска и ответов на вопросы по найденным материалам в формате взаимодействия Search-R1; также применялась само-дистилляция SDAR. Финальная политика находится в корне репозитория, обучение описано до шага 400. Модель предназначена для генерации текста в сценариях поискового вопросно-ответного взаимодействия, включая последовательное использование поискового инструмента. Архитектура — плотная причинная языковая модель Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 40 960 токенов; загрузка предусмотрена через Transformers. Карточка не приводит отдельный перечень поддерживаемых языков, поэтому языки не указаны. Репозиторий содержит контрольные точки обучения, а также сырые FSDP-состояния для продолжения обучения; для инференса README рекомендует использовать объединённые экспорты. Лицензия — Apache-2.0. Поскольку модель обучена всего на 400 шагах и специальных оценок качества карточка не приводит, её надёжность на произвольных поисковых задачах не подтверждена.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Convoy на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это модель SpanBERT, разработанная Facebook Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по заданному отрывку текста. Она извлекает ответ из контекста или воздерживается от ответа, если в отрывке нет подтверждения. Модель предназначена для вопросов и ответов по документам и текстовым фрагментам на английском языке. Модель основана на BERT для извлечения ответных фрагментов; размер составляет 135,5 млн параметров, максимальный контекст — 512 токенов. В оценке на SQuAD 2.0 указаны EM 78,80 и F1 82,22. Доступны веса PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

aken12/splade-japanese-v3 — японская версия SPLADE, представленная в карточке с результатами поиска по MIRACL и JQaRA. Модель основана на архитектуре BERT с классом BertForMaskedLM, содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. В README показаны результаты оценки японского поиска и возможность исследовать расширение и взвешивание слов в запросах и документах. Модель предназначена для формирования разреженных представлений с расширением терминов, чтобы находить японские документы по запросу. На JQaRA указаны метрики nDCG@10 0,505 и MRR@10 0,772; на MIRACL приведены результаты вариантов семейства SPLADE. Метаданные помечают модель задачей fill-mask, но представленные в README сценарии ориентированы на информационный поиск и ранжирование. Лицензия — CC BY-SA 4.0.

maayans/stella_en_1.5B_v5__ratio-broaden — дообученная модель NovaSearch/stella_en_1.5B_v5 для операции BROADEN в наборе RATIO. Она сопоставляет научный запрос с формулировкой того же вопроса на более широком уровне или с большей степенью обобщения, поэтому подходит для поиска литературы и идей по научным запросам. Модель основана на плотной архитектуре Qwen2 с 1,5 млрд параметров, принимает текст и создаёт эмбеддинги; нативная длина контекста — 131 072 токена. Для запросов при кодировании требуется встроенный prompt Stella s2p_query («Instruct: Retrieve semantically similar text. Query: »), а предложения-кандидаты кодируются без промпта. Модель обучена контрастивно на обучающей части RATIO для связи BROADEN; README указывает, что тестовые статьи в бенчмарке опубликованы позже обучающих данных оцениваемых энкодеров. Доступна под лицензией MIT.

Stella-PL-retrieval-8k — модель эмбеддингов на основе stella_en_1.5B_v5, дообученная командой sdadas для поиска по польским текстам. Она преобразует текст в векторы размерности 1024 и предназначена для извлечения релевантных документов по запросу. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров; базовое окно контекста составляет 131 072 токена, а README сообщает о специальном обучении на последовательностях до 8192 токенов. Модель адаптировали к польскому языку дистилляцией на 20 млн польско-английских пар, затем дообучили с контрастивной функцией потерь на 1,5 млн запросов. Для подбора положительных и отрицательных фрагментов использовали BAAI/bge-reranker-v2.5-gemma2-lightweight. В README указано значение NDCG@10 62,69 на польском бенчмарке PIRB. Репозиторий содержит веса safetensors и совместим с Sentence-Transformers; лицензия — Gemma. Модель в первую очередь рассчитана на польский поиск, поэтому её пригодность для других языков и задач не подтверждена приведёнными результатами.