I.1Поиск и навигация по информации

sentence-transformers/stsb-distilbert-base — модель для получения векторных представлений предложений и абзацев, обученная командой sentence-transformers. Она основана на DistilBERT и преобразует текст в плотные векторы размерности 768; для корректного получения представления при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Модель предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Контекст ограничен 512 токенами. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современную модель из SBERT.net. Лицензия — Apache-2.0.

Vietnamese_Embedding — модель эмбеддингов на базе Sentence Transformers, разработанная AITeamVN и дообученная от BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она принимает текст и выдаёт вектор размерности 1024; для сравнения векторов предусмотрена метрика dot product. Модель обучалась на примерно 300 тысячах триплетов запросов, положительных и отрицательных документов, а максимальная длина последовательности в карточке указана как 2048 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по вьетнамским запросам; автор приводит оценку на Legal Zalo 2021. В метаданных указаны архитектура XLM-RoBERTa, контекст до 8194 токенов, библиотека sentence-transformers и форматы ONNX и safetensors. Лицензия — Apache 2.0. В README приведена более короткая максимальная длина последовательности, чем контекст в метаданных; качество поиска на других наборах данных отдельно не подтверждено.

Werea-TR-QA — турецкая модель извлечения ответов на вопросы: она находит фрагмент ответа в предоставленном контексте и подходит, в частности, для систем RAG. Модель разработала Werea; это дообученная на задаче question answering модель BERTurk на базе dbmdz/bert-base-turkish-cased с архитектурой BertForQuestionAnswering и 137,8 млн параметров. Контекст — до 512 токенов. В README указано, что модель обучалась два эпоха на наборе TQuAD2 с человеческой разметкой. Для TQuAD2 (validation) приведены EM 53,8% и F1 72,7%, для XQuAD-tr — EM 46,1% и F1 64,5%. Лицензия — MIT. Модель рассчитана на турецкий язык и извлечение ответов из текста; она не предназначена для свободной генерации развернутых ответов.

intanm/xlmrlarge-idkmrc-2 — дообученная модель XLM-RoBERTa Large объёмом 658,7 млн параметров для извлечения ответов на вопросы из текста. Она принимает вопрос и текстовый контекст и определяет в нём фрагмент, содержащий ответ. В метаданных указана длина контекста 514 токенов. Модель создана на основе intanm/xlmrlarge-idkmrc; README сообщает о дообучении, но не описывает набор данных и приводит только значение loss 1,5737 на оценочной выборке. Формат весов — PyTorch. Лицензия — MIT. README не уточняет языки и сценарии применения, поэтому языковые возможности базовой XLM-RoBERTa нельзя считать подтверждёнными для этого чекпойнта.

badokorach/xlm-roberta-base-finetuned-mlqa — модель XLM-RoBERTa-Base, дообученная для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста по вопросу. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и доступна в формате TensorFlow; нативный контекст составляет 514 токенов. Базовая модель — FacebookAI/xlm-roberta-base. По карточке модель дообучена на наборе данных, который не назван; приведены результаты обучения и валидации, но подробности назначения и оценки качества отсутствуют. Лицензия — MIT.

alon-albalak/xlm-roberta-base-xquad — модель для извлечения ответов на вопросы, созданная дообучением xlm-roberta-base на наборе данных XQuAD. Она получает вопрос и текстовый фрагмент и выделяет ответ непосредственно из этого фрагмента. В карточке указана оценка на отложенной тестовой выборке XQuAD. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Максимальная длина контекста составляет 514 токенов. Она предназначена для многоязычного extractive QA; метаданные отмечают набор данных XQuAD, но конкретные поддерживаемые языки не перечислены. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана. Результат ограничен поиском ответа в переданном тексте: модель не предназначена для свободной генерации или ответов, требующих сведений за пределами контекста. Подробные результаты оценки не приведены.

AfrimBert-QA — модель amidblue, дообученная на базе amidblue/mBertKE для извлечения ответов на вопросы по тексту. Она рассчитана на одноязычный и межъязыковой поиск ответов в материалах на африканских языках и английском; обучение включает AfriQuAD, KENSQUAD, AFRIQA и дополнительные данные. Модель построена на BERT, содержит 205,1 млн параметров, принимает текстовые вопросы и контекст и возвращает найденный фрагмент текста. Максимальная длина контекста — 512 токенов. В карточке заявлена поддержка 15 языков: суахили, луо, киньяруанда, игбо, твийского, фон, зулу, бемба, лингала, английского и других африканских языков. Суахили преобладает в данных; для ряда языков примеров мало, поэтому качество может заметно различаться. Модель доступна через Transformers в формате safetensors; доступ к репозиторию ограничен и требует запроса на Hugging Face. Лицензия в предоставленных данных не указана.

wissamantoun/araelectra-base-artydiqa — модель для ответов на вопросы по тексту на арабском языке. Согласно карточке, это AraELECTRA, дообученная на арабской части набора ArTyDiQA; архитектура — ElectraForQuestionAnswering, размер — 162,4 млн параметров. Модель принимает вопрос и контекстный текст и предсказывает ответ в его пределах. Модель подходит для систем поиска ответов по арабским текстам, в частности по материалам арабской Википедии. Максимальная длина контекста — 512 токенов. Опубликованные форматы весов — PyTorch и safetensors; README также упоминает демонстрационную систему на Streamlit. Сведения о лицензии в предоставленных данных отсутствуют.

almanach/camembertav2-base-fquad — франкоязычная модель для извлекающего ответа на вопросы, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на базе almanach/camembertav2-base на датасете FQuAD и использует архитектуру DeBERTa-v2 с 138,4 млн параметров. Модель принимает вопрос и контекст на французском языке и извлекает ответ из текста; длина контекста составляет до 1024 токенов. На датасете FQuAD модель показывает F1 83,36 и Exact Match 64,43. Её можно применять для поиска ответов в текстах на французском языке, например, при работе с документами и справочными материалами. Лицензия — MIT. Качество может снижаться на данных, отличающихся от FQuAD; также модель может наследовать смещения обучающей выборки и не предназначена для других задач без дополнительной адаптации.

Это англоязычная модель ответов на вопросы от Hugging Face: DistilBERT-base-uncased, дополнительно дообученная методом дистилляции на SQuAD v1.1. Она принимает вопрос и текстовый контекст и извлекает из контекста краткий ответ; подходит для ответов по предоставленным документам и фрагментам текста. Архитектура — компактный Transformer DistilBERT; модель была создана для более быстрого и экономичного вывода, чем BERT-base, при сохранении высокой точности на языковых задачах. Контекст ограничен 512 токенами. Модель ориентирована на английский язык и задачу question answering. На валидационном наборе SQuAD v1.1 указана оценка F1 86,9. Она может выбирать неподтверждённый контекстом или неверный ответ, а также воспроизводить стереотипы и предвзятость из данных; её не следует считать источником проверенных фактов о людях и событиях. Лицензия — Apache 2.0.

seomh/distilbert-base-uncased-finetuned-squad — англоязычная модель ответов на вопросы, разработанная как дообученная версия distilbert-base-uncased на наборе данных SQuAD. Она принимает текстовый контекст и вопрос и извлекает ответ из контекста; архитектура — DistilBERT с головой DistilBertForQuestionAnswering, а максимальная длина контекста составляет 512 токенов. В карточке приведено значение loss 0,0083 на оценочном наборе, но подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. Она предназначена для извлечения ответов из предоставленного текста и не предназначена для генерации развернутых ответов или надёжной работы за пределами английского языка и обучения на SQuAD.

E5 Uzbek Embedding Model (e5-uz-v3) — модель эмбеддингов текста на базе XLM-RoBERTa, дообученная разработчиком Dovud Asadov на multilingual-e5-base для семантического поиска и извлечения документов на узбекском языке. Она кодирует запросы и документы в векторы размерности 768; для лучшего качества запросы следует помечать префиксом «query:», а документы — «passage:». Сходство векторов оценивается косинусной функцией. Модель содержит 305,2 млн параметров, использует 12 слоёв XLM-RoBERTa и рассчитана на последовательности до 512 токенов. Она обучена на 36 306 узбекских триплетах «запрос — релевантный документ — нерелевантный документ» с функцией потерь CachedMultipleNegativesRankingLoss. По приведённой оценке, cosine_accuracy составляет 0,499 при k=1, 0,723 при k=3 и 0,801 при k=5. Модель подходит для поиска по смыслу и retrieval в узбекских текстовых корпусах; лицензия Apache-2.0 допускает её использование на условиях этой лицензии. Узкая специализация на узбекском и максимальная длина последовательности ограничивают её применение для других языков и длинных документов без дополнительной проверки.

Den4ikAI/FRED-T5-LARGE_text_qa — русскоязычная модель семейства T5, разработанная Den4ikAI для ответов на вопросы по предоставленному тексту. Она обучена на наборе ru_sberquad_long_answers и подходит для сценариев, где нужно сформулировать развернутый ответ на основе контекста. Модель использует архитектуру T5ForConditionalGeneration и содержит около 403,9 млн параметров. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не сообщает длину контекста и подробные результаты оценки качества.

avemio/German-RAG-x-HERMES-LLAMA-MERGED-EXP — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе немецкоязычной модели GRAG-LLAMA-3.1-8B-CPT-HESSIAN-AI с добавлением GRAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI и Hermes 3 Llama 3.1 8B от Nous Research. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев RAG на немецком языке; Hermes 3 в составе слияния добавляет диалоговые и инструкционные возможности. Для работы требуются Transformers и формат весов safetensors; в модели используется шаблон чата ChatML. Карточка не сообщает результаты оценки качества. Лицензия в предоставленных данных не указана.

MarcBrun/ixambert-finetuned-squad-eu — модель семейства BERT, полученная дообучением ixambert-base-cased для извлечения ответов на вопросы из текста. Она предназначена для базовых фактологических вопросов по предоставленному контексту и обучена и оценивалась на экспериментальной баскской версии SQuAD 1.1 размером примерно в треть исходного набора. Модель поддерживает английский, испанский и баскский языки; размер составляет 204,7 млн параметров, контекст — до 512 токенов. На вход подаются вопрос и контекст, а на выходе модель возвращает фрагмент текста с ответом, его начальную и конечную позиции в контексте и оценку уверенности для этого фрагмента. Это ограничивает её применимость задачами извлечения ответа из данного текста: она не предназначена для генерации развернутых ответов и может ошибаться на вопросах, не покрытых обучающими данными. Условия лицензии в предоставленных сведениях не приведены.

hxia7/Llama-3.2-1B-Block-FT — дообученная модель семейства Llama от автора hxia7 на базе meta-llama/Llama-3.2-1B. Она предназначена для генерации ответов по документам в системах RAG. Веса настроены на 80 тысячах примеров Tulu3-Block-FT-RAG с использованием механизма Block-Attention: контекст разделяется на блоки документов и блок запроса, что позволяет повторно использовать KV-кэш документов для разных запросов. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. В тесте на 100 примерах TriviaQA из валидационной выборки, не входивших в обучение, автор сообщает Substr-EM 87% и F1 26,59%; сравнительная таблица указывает на сопоставимые результаты Block-Attention и обычного полного внимания. Эти показатели получены на небольшой выборке и не гарантируют аналогичного качества в других сценариях. Для рекомендованного режима Block-Attention требуется ручной prefill и авторегрессионное декодирование с 4D attention mask; обычный model.generate() такую маску не принимает. Лицензия — llama3.2.

Llama-3.2-1B-Instruct-Frog — компактная языковая модель на архитектуре Llama, разработанная phamhai на базе Meta Llama 3.2 1B Instruct и дообученная для задач RAG на вьетнамском языке. Модель содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для диалоговых сценариев, ответов на вопросы с использованием найденных документов, суммаризации, извлечения сущностей, вызова функций и переформулирования вопросов. Небольшой размер позволяет использовать её для быстрого инференса на локальных и периферийных устройствах. Автор отмечает, что у версии 1B слабее понимание запросов и ниже точность в некоторых задачах, включая суммаризацию и извлечение сущностей при вызове функций. Модель распространяется по лицензии Llama 3.2; использование требует соблюдения условий лицензии Meta.

Llama-3-8B-RAG-v1 — языковая модель Glaive, дообученная на наборе Glaive-RAG-v1 для задач генерации с использованием поиска по документам (RAG). Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, рассчитанная на генерацию текста и диалоговый режим. Контекст модели составляет до 8192 токенов; в карточке указан английский язык. Модель предназначена для ответов на вопросы и подготовки текстовых ответов с опорой на предоставленные извлечённые документы. Она распространяется в формате safetensors по лицензии llama3. В README отмечено, что в наборе данных для этой версии нет многоходовых примеров и используются ограниченные источники документов, поэтому качество может снижаться при сложных многоходовых диалогах или работе с иными типами источников.

NanoVDR-Q-DistilBERT-Qwen3VL2B-2048-ML — разработанная командой NanoVDR компактная модель-энкодер запросов для поиска по визуальным документам. Это текстовая модель на базе DistilBERT с проектором из двух слоёв; она содержит 69 млн параметров и формирует векторы размерности 2048, совместимые с эмбеддингами документов от Qwen3-VL-Embedding-2B. По данным карточки, модель сохраняет 95,1% качества учителя в оценке на 22 наборах ViDoRe. Модель предназначена для кодирования текстовых запросов на английском, немецком, французском, испанском, итальянском и португальском языках и поиска по заранее индексированным изображениям страниц документов. Индексацию выполняет учитель Qwen3-VL-Embedding-2B, а NanoVDR кодирует запросы; поиск затем можно проводить по косинусному сходству или скалярному произведению, например, с FAISS. В карточке указаны максимальная длина последовательности 512 токенов и возможность обслуживать запросы на CPU. Это специализированный энкодер запросов, а не самостоятельная система индексации документов: для построения индекса требуется отдельная модель-учитель, а карточка указывает, что индексация требует GPU. Модель дообучена на базе distilbert/distilbert-base-uncased методом дистилляции; заявленная лицензия — Apache-2.0.

utahnlp/naturalquestionsShort_microsoft_deberta-v3-base_seed-1 — дообученная модель семейства Microsoft DeBERTa-v3-base, опубликованная NLP-группой Университета Юты. Она предназначена для извлечения коротких ответов на вопросы по контексту в задаче Natural Questions. Модель имеет около 211,6 млн параметров, использует архитектуру DeBERTa и поддерживает входной контекст длиной до 512 токенов. Это текстовая англоязычная модель для extractive question answering: она выбирает фрагмент ответа из предоставленного контекста, а не генерирует произвольный длинный ответ. Сильная сторона — специализированная настройка под короткие ответы Natural Questions; ограничения включают зависимость от качества и релевантности контекста, ограниченную длину входа и отсутствие подтвержденных сведений о поддержке других языков. Лицензия для этой производной модели в доступных источниках не указана.

OELLM 9B 128K theta32m v3 — базовая мультиязычная языковая модель OpenEuroLLM, созданная на основе baby_9b_dense с архитектурой Qwen3 Dense. Это версия полного обучения: контекст расширен с 4K до 128K токенов с помощью ABF и масштабирования RoPE с θ=32M; модель обучалась на 2 млрд токенов. Используйте её для генерации продолжений и извлечения сведений из длинного контекста; она не проходила инструкционную настройку и предназначена для работы как completion-модель. В тесте NIAH с одним целевым фрагментом модель показала 100% на 128K токенах в 12 европейских языках. Это результат узкого теста извлечения, поэтому он не гарантирует аналогичного качества на широком наборе задач или при поиске нескольких фрагментов. Модель использует Transformers и формат PyTorch. Лицензия — Apache-2.0.

OELLM 9B — 256K context (ABF, θ=64M) — prelude — базовая плотная языковая модель OpenEuroLLM на архитектуре Qwen3. Это продолжение предобучения модели prelude с контекстным окном до 262 144 токенов; модель не настроена для следования инструкциям. В README указаны 9B параметров, тогда как метаданные Hugging Face указывают 8B. Модель поддерживает 37 европейских языков, включая английский, немецкий, французский, испанский, польский и украинский; метаданные подтверждают языковые теги для части этого набора. Модель предназначена для генерации продолжений и работы с длинными текстами, в том числе поиска сведений на разных позициях в контексте до 256K токенов. По оценке single-needle NIAH из README, результат на 256K составил 90% на 185 испытаниях в семи языках; более широкая оценка RULER ещё не проводилась. Для обработки контекста 256K требуется несколько GPU. Для такого режима README рекомендует сохранять rope_theta=64000000 и max_position_embeddings=262144. Модель распространяется по лицензии Apache-2.0. Поскольку это базовая модель без инструкционной настройки, она ориентирована на продолжение текста, а не на диалоговое следование запросам; также отмечен умеренный эффект «потери в середине» контекста.

PIXIE-Spell-v1.5-0.6B — модель эмбеддингов на основе Sentence Transformer, разработанная TelePIX Co., Ltd. на архитектуре Qwen3. Она преобразует текст в векторы размерности 1024, нормализованные для сравнения по косинусному сходству; число параметров — около 508 млн. Модель оптимизирована для семантического поиска и извлечения информации на корейском и английском языках, особенно в аэрокосмической тематике, и также показывает результаты на открытых корейских и англоязычных задачах поиска. Модель подходит для семантического поиска по документам, поиска технических материалов и подбора контекста для систем вопросов и ответов. README указывает максимальную длину последовательности 8192 токена, а метаданные каталога — контекст до 40960 токенов. Лицензия — Apache-2.0. Оценки в README приведены на наборах STELLA, MTEB (корейский) и RTEB (английский); они не гарантируют аналогичное качество на произвольных данных.

POINTS-Seeker-8B — мультимодальная агентная модель поиска, описанная авторами как обученная с нуля для длительных взаимодействий и визуальных рассуждений, требующих актуальных или насыщенных знаниями ответов. В карточке указаны этап Agentic Seeding для формирования базовых агентных навыков и механизм V-Fold для адаптивного сжатия истории взаимодействия с учётом контекста. Модель предназначена для агентного поиска и длительных задач визуального рассуждения. Метаданные указывают на дообучение Qwen/Qwen3-8B-Base, поддержку чата и интерфейса вызова инструментов, а также библиотеку Transformers. README называет модель мультимодальной, но не раскрывает конкретные входные и выходные модальности и детали её поискового сценария. Лицензия обозначена как other; конкретные условия в предоставленных данных не описаны.

PubMedBERT Embeddings 100K — компактная модель статических эмбеддингов, созданная NeuML путём сокращения словаря версии PubMedBERT Embeddings 2M: оставлены наиболее часто встречающиеся 5% токенов. Модель предназначена для построения векторных представлений медицинских текстов, семантического поиска и использования в системах RAG; её можно подключать через txtai, Sentence-Transformers или Model2Vec. В карточке приведены результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary. По сравнению с исходной моделью без сокращения словаря точность заметно снижается, хотя модель превосходит наивный дистиллированный вариант без обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают контекст в 1 000 000 токенов.

liam168/qa-roberta-base-chinese-extractive — модель для извлечения ответов на вопросы по китайскому тексту. Разработчик описывает её как QA-модель, дообученную на китайских текстовых данных; архитектура в метаданных указана как BERT с головой BertForQuestionAnswering. Модель содержит 129,5 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для extractive question answering: на вход подаются вопрос и текстовый фрагмент, а на выходе выбирается ответ из этого фрагмента. Её можно применять для поиска фактов в китайских документах и ответов на вопросы по предоставленному контексту. README также называет базу RoBERTa-Base, но точный идентификатор базовой модели не указан. Лицензия в предоставленных данных отсутствует.

RAG-Qwen2.5-7B — языковая модель TroyDoesAI, дообученная на базе unsloth/qwen2.5-7b-bnb-4bit. Она предназначена для ответов на вопросы по предоставленному контексту в сценариях RAG и для более точного следования источникам с целью снизить число галлюцинаций. Для контекста используется формат с явными разделителями блоков текста, метаданных и инструкции; модель обучалась отвечать на одиночные вопросы, а также формировать абзацы и списки. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 131 072 токенов и поддержкой английского языка. Репозиторий содержит веса PyTorch; для обучения применялись Unsloth и Hugging Face TRL. Лицензия — Apache-2.0. Модель лучше подходит для генерации ответов с опорой на явно переданный контекст, чем для задач, где требуется гарантированно проверяемая достоверность: снижение галлюцинаций заявлено как цель, но не подтверждено количественной оценкой. Для ожидаемого поведения нужно оформлять вход в рекомендованном формате; поддержка других языков и мультимодальных входов не заявлена.

badokorach/roberta-base-agric-trans-290124 — модель XLM-RoBERTa, дообученная badokorach на базе badokorach/xlm-roberta-base-finetuned-mlqa для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель содержит 305,2 млн параметров, имеет длину контекста 514 токенов и опубликована в формате TensorFlow. Модель лицензирована по MIT. В карточке приведены Train Loss 0,7363, Validation Loss 0,0 и обучение в течение 9 эпох; датасет обучения не назван. Описание не уточняет специализацию на сельском хозяйстве или переводе, поэтому такие сценарии нельзя подтвердить по доступным сведениям.

Mewband12/seallm-7b-v2-chat-th — чат-модель на архитектуре Mistral с 7,2 млрд параметров, дообученная методом QLoRA на примерно 4 тысячах примеров с тайским набором данных для инструкций RAG. Она предназначена для ответов по предоставленным документам и должна лучше воздерживаться от ответов, которых в документах нет, снижая галлюцинации при использовании RAG. Модель принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. Метаданные указывают поддержку тайского и английского языков. Файлы весов представлены в формате safetensors. Лицензия в предоставленных данных не указана.

SILMA Kashif 2B Instruct v1.0 — специализированная языковая модель от SILMA AI на архитектуре Gemma 2. Она предназначена прежде всего для генерации ответов на вопросы по предоставленному контексту в RAG-системах; также умеет извлекать сущности из текста. Модель содержит 2,7 млрд параметров, принимает текст и поддерживает контекст до 12 288 токенов. Модель рассчитана на арабский и английский языки. В заявленных сценариях она отвечает по коротким и длинным фрагментам, объединяет сведения из нескольких частей текста, работает с табличными данными и может сообщить, что ответа в контексте нет. По данным README, модель слабее справляется со сложными числовыми и финансовыми рассуждениями; обучение для вопросов и ответов ограничивает её пригодность для задач общего назначения. Для использования указана лицензия Gemma.