I.1Поиск и навигация по информации

SPLADE-Small — компактная модель разреженного поиска rasyosef на основе BERT-Small, дообученная с дистилляцией Cross-Encoder ms-marco-MiniLM-L6-v2 на данных MS MARCO. Модель кодирует запросы и документы в разреженные векторы размерности 30 522; релевантность оценивается скалярным произведением. Число параметров — 32,4 млн, максимальная длина входа — 512 токенов. Модель предназначена для поиска и ранжирования документов по текстовому запросу, включая локальный поиск по небольшим коллекциям без GPU. В README приведены результаты оценки на MS MARCO и указано, что модель достигает 91% результата SPLADE-v3-distilbert при вдвое меньшем размере. Модель рассчитана на английский язык и обучена на MS MARCO. Распространяется под лицензией MIT. Качество и применимость за пределами англоязычного поиска по тематике MS MARCO в карточке не подтверждены.

anas-awadalla/splinter-large-finetuned-squad — модель семейства Splinter, разработанная путём дообучения tau/splinter-large-qass на наборе данных SQuAD. Она предназначена для поиска ответа на вопрос в предоставленном тексте и подходит для систем, которые отвечают на вопросы по документам и справочным материалам. Модель содержит 432,3 млн параметров, использует архитектуру SplinterForQuestionAnswering и принимает контекст длиной до 512 токенов. Доступны веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает результаты оценки и подробные ограничения качества. Модель ориентирована на англоязычный набор SQuAD; пригодность для других языков и предметных областей по имеющимся данным не подтверждена.

GLM-Z1-Rumination-32B-0414-GGUF — это квантизированная версия языковой модели GLM-Z1-Rumination-32B-0414, разработанной командой THUDM. Сборку GGUF выполнил bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и поддерживает китайский и английский языки; в README она описана как модель для глубокого исследовательского поиска, анализа информации и подготовки отчётов с использованием инструментов и браузерного взаимодействия. Модель имеет размер 32B параметров и поставляется в форматах GGUF с различными уровнями квантизации — от BF16 до Q4 и IQ4, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и Q6_K_L; файлы имеют размер примерно от 19 до 66 ГБ. Доступен специальный формат prompt, включающий системные инструкции для исследовательских задач. Сведения о точной архитектуре, размере контекстного окна, мультимодальности, результатах оценки и ограничениях исходной модели в README не указаны. Лицензия — MIT.

Vi-Qwen2-3B-RAG — языковая модель семейства Qwen2, дообученная командой разработчиков, указанной в карточке, для задач генерации с дополнением найденными материалами (RAG). Модель рассчитана на вьетнамский язык и поддерживает диалоговый режим; в метаданных указаны 3,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по извлечённым документам: она может находить полезные сведения в зашумлённом контексте, отказываться от ответа при отсутствии нужной информации, объединять факты из нескольких фрагментов и определять, содержится ли ответ в контексте. Также её можно применять как чат-модель для последовательных вопросов. В карточке описана оценка определения наличия ответа с точностью около 99%, но подробности методики и воспроизводимые результаты не приведены. Это плотная авторегрессионная модель Qwen2 для генерации текста, доступная в формате Safetensors и рассчитанная на использование через Transformers. README описывает версию Vi-Qwen2-7B-RAG, тогда как идентификатор репозитория и метаданные относятся к Vi-Qwen2-3B-RAG; поэтому сведения о специфических результатах и сценариях меньшей версии следует считать описанием семейства, а не подтверждёнными отдельными оценками этой модели. Лицензия — Apache-2.0. Разработчики предупреждают, что модель специализирована на RAG и может быть ненадёжной в вопросах политики и общества, а также проявлять предвзятость или неуместные взгляды.

Модель badokorach/afriqa_afroxlmr_squad_v2_060124 — дообученная версия masakhane/afriqa_afroxlmr_squad_v2 на базе XLM-RoBERTa для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для задач question answering, в том числе на африканских языках, указанных в описании базовой модели. Архитектура — XLM-RoBERTa для извлечения ответа; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. README сообщает о дообучении на датасете, который не назван, и приводит значения train loss 0,7582 и validation loss 0,0 после 14 эпох; дополнительных сведений о качестве и ограничениях нет. Модель распространяется по лицензии MIT.

AI4SGI-ExoMind-9B-GGUF — набор GGUF-квантизаций компактной модели ExoMind-9B, разработанной Shanghai AI Laboratory и дообученной на базе Qwen3.5-9B. Данный репозиторий поддерживается prithivMLmods и содержит варианты модели с точностью от BF16 до Q3_K_S. Модель предназначена для ресурсосберегающих экспериментов в области научного рассуждения и агентных исследовательских сценариев. ExoMind-9B ориентирована на ответы на научные вопросы, математическое и вычислительное рассуждение, поиск источников, обоснование выводов по доступным свидетельствам, исполняемую проверку результатов, интеграцию наблюдений, использование инструментов и создание агентных прототипов. Она сохраняет мультимодальные возможности базовой модели Qwen3.5 для работы с текстом и изображениями, поддерживает английский и китайский языки и имеет контекстное окно до 262 144 токенов. Обучение проводилось методом progressive Chain-of-Interaction на траекториях рассуждений и взаимодействия. К сильным сторонам относятся компактный размер в 9 миллиардов параметров, широкий контекст, мультимодальность, поддержка научно-исследовательских и tool-use-сценариев, а также доступность нескольких GGUF-квантизаций для запуска через llama.cpp и совместимых инструментов. При этом отдельные официальные результаты бенчмарков для ExoMind-9B не приведены: опубликованные показатели относятся к более крупной модели ExoMind-35B-A3B и не должны переноситься на эту версию. Модель выпущена по лицензии Apache License 2.0; сопутствующие материалы, бренд ExoMind и некоторые элементы публикации могут регулироваться отдельными условиями.

AraElectra-Arabic-SQuADv2-QA — модель ZeyadAhmed для извлечения ответов на вопросы по тексту на арабском языке. Она дообучена на AraElectra на наборе Arabic-SQuADv2.0, включающем вопросы без ответа, и использует классификацию для определения таких вопросов. Модель построена на архитектуре ELECTRA и содержит 162,4 млн параметров. Она принимает вопрос и контекст и возвращает найденный в контексте ответ либо определяет, что ответа нет. Максимальная длина контекста — 512 токенов. README рекомендует использовать препроцессор AraBERT для арабского текста. Модель предназначена для извлечения ответов из текстовых отрывков, включая контексты из арабской Википедии и пользовательские тексты. В README описана оценка на тестовой части Arabic-SQuAD 2.0, однако численные результаты не приведены. Лицензия в предоставленных данных не указана.

Модель interneuronai/az-question-answering — версия XLM-RoBERTa, дообученная для ответов на вопросы по текстам на азербайджанском языке. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу и может использоваться через библиотеку Hugging Face Transformers. В основе модели лежит архитектура RoBERTa; число параметров — около 454,1 млн, контекст — до 514 токенов. Модель ориентирована на азербайджаноязычные сценарии вопросно-ответного поиска. Она может быть полезна для поиска сведений в документах и текстах, однако дообучение длилось один эпох, поэтому модель может не охватывать все языковые нюансы и сложные вопросы. Возможны смещения, связанные с обучающими данными; для чувствительных и критически важных решений ответы следует проверять. Лицензия — Apache-2.0.

BatteryBERT-cased-squad-v1 — англоязычная модель для извлечения ответов из текста, разработанная Shu Huang и Jacqueline Cole. Она основана на BatteryBERT-cased и использует архитектуру BERT с головой для question answering; обучалась и оценивалась на SQuAD v1, а также оценивалась на наборе данных по аккумуляторным устройствам. Модель принимает вопрос вместе с текстовым фрагментом и извлекает из него ответ. Она подходит для ответов на вопросы по справочным материалам и документам, в том числе по сведениям об аккумуляторах и устройствах. Размер модели — 135,5 млн параметров, длина контекста — до 512 токенов. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

badokorach/bert-base-cased-squad2-agic2-051223 — дообученная модель BERT для извлечения ответов на вопросы из текста. Она основана на deepset/bert-base-cased-squad2 и содержит 135,5 млн параметров. Модель принимает вопрос и контекст, после чего выделяет ответный фрагмент текста; поддерживаемая задача — question-answering. Модель рассчитана на англоязычные сценарии поиска ответа в предоставленном тексте. Максимальный контекст составляет 512 токенов. В README указаны результаты обучения: train loss 0,2158, validation loss 0,0 на 19-й эпохе; сведения о наборе данных, методике оценки и практическом качестве не приведены. Распространяется по лицензии CC BY 4.0.

Это модель для извлечения ответов на вопросы из текста на португальском языке. Её создал Pierre GUILLOU, дообучив BERTimbau Base (bert-base-portuguese-cased) на португальской версии SQuAD 1.1; обучение проводилось в рамках группы Deep Learning Brasil. Архитектура — BERT base с 136,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для сценариев, где вопрос и содержащий ответ текст подаются вместе, а система извлекает фрагмент текста в качестве ответа. В карточке приведены результаты на тесте: F1 82,50 и exact match 70,49. Модель ориентирована на португальский язык, в частности на бразильский вариант. Модель распространяется по лицензии MIT. Результаты могут зависеть от тематики и качества входного текста; обучающие данные SQuAD могут содержать неотфильтрованный контент и предвзятости.

CKIP BERT Base Chinese QA — модель на базе BERT, опубликованная проектом CKIP Lab. Она предназначена для извлечения ответов на вопросы из китайского текста; модель относится к семейству BERT и содержит 129,5 млн параметров. Карточка проекта описывает набор моделей и инструментов для традиционного китайского языка, а метаданные указывают длину контекста 512 токенов и формат PyTorch. Модель подходит для систем поиска ответа в китайских текстах и вопросов-ответов по документам. Для токенизации README рекомендует BertTokenizerFast. Модель распространяется по лицензии GPL-3.0. Данных о специальных ограничениях качества или тестировании в карточке нет.

Модель henryk/bert-base-multilingual-cased-finetuned-polish-squad2 — версия multilingual BERT, дообученная на задаче ответов на вопросы по тексту на польском языке. Базовую модель разработала исследовательская команда Google; она использует 12 слоёв, 768 скрытых измерений и 12 голов внимания, содержит 110 млн параметров и была обучена на текстах на 104 языках. В метаданных репозитория указаны 205,1 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения ответа из предоставленного фрагмента текста или определения, что ответ в нём отсутствует. Для дообучения использовалась машинно переведённая на польский язык версия SQuAD 2.0: автор отмечает, что из-за расхождений перевода часть примеров потерялась, что может вызывать ошибки. На польской части теста автор сообщает точность exact match 70,77 и F1 72,92. Модель доступна в форматах PyTorch и Flax. Лицензия в предоставленных сведениях не указана.

leomaurodesenv/bert-base-uncased-answerable-or-not-augmented — дообученная модель BERT для классификации текста по признаку answerable or not: определения, можно ли ответить на вопрос. Основана на google-bert/bert-base-uncased и предназначена для классификации последовательностей; в метаданных указаны 136,7 млн параметров, контекст до 512 токенов и формат safetensors. Модель может использоваться для предварительной фильтрации вопросов и отбора тех, на которые система поиска или ответов располагает достаточной информацией. В оценке на тестовом наборе указаны accuracy 0,9188 и loss 0,2582, однако датасет и детали оценки не описаны. Лицензия — Apache-2.0.

mrm8488/bert-small-finetuned-squadv2 — компактная модель BERT-Small, созданная Google Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и может воздержаться от ответа, если в тексте нет подтверждённой информации. Модель содержит 32,4 млн параметров, использует архитектуру BERT и принимает текстовые вопросы вместе с текстовым контекстом. Контекстное окно — до 512 токенов. Модель предназначена для сценариев с ограниченными вычислительными ресурсами; в карточке указаны результаты на SQuAD 2.0: EM 60,49 и F1 64,21. Поддерживается английский язык. Модель доступна в форматах PyTorch и Flax. Лицензия в предоставленных данных не указана.

mrm8488/bert-tiny-5-finetuned-squadv2 — компактная модель семейства BERT, созданная Google Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по заданному тексту. Архитектура — BertForQuestionAnswering; модель содержит 7,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и Flax. Модель извлекает ответ из предоставленного контекста и умеет воздерживаться от ответа, если в тексте нет достаточных оснований. Англоязычная версия BERT-Tiny предназначена для сценариев с ограниченными вычислительными ресурсами. На тесте SQuAD 2.0 в карточке указаны EM 57,12 и F1 60,86. Эти результаты относятся к указанному набору данных и не гарантируют аналогичное качество на других текстах. Сведения о лицензии в предоставленных материалах отсутствуют.

shekar-ai разработала модель для двусторонней транслитерации между персидским текстом на персо-арабском письме и таджикским текстом на кириллице. Направление задаётся префиксом: fa2tg для преобразования персидского в таджикский и tg2fa для обратного преобразования. Модель построена на ByT5-small — байтовом энкодер-декодере семейства T5, дообученном на параллельном корпусе ParsText; метаданные указывают 364,6 млн параметров и лицензию MIT. Модель подходит для преобразования письменности при поиске и чтении текстов, нормализации перед обработкой персидского и таджикского текста, а также как отправная точка для дообучения на близких задачах преобразования письменности. В README приведены оценки на тестовой выборке: chrF++ 87,90 для направления с персидского на таджикский и 91,76 для обратного. Направление персидский → таджикский сложнее, поскольку краткие гласные часто не обозначаются; имена собственные и заимствования также могут обрабатываться с ошибками. Обучающие примеры ограничены длиной 200 символов, поэтому длинный текст рекомендуется преобразовывать по предложениям.

almanach/camembertv2-base-fquad — франкоязычная модель для извлечения ответов на вопросы, разработанная Виссамом Антуном из Almanach, Inria-Paris. Это дообученная на датасете FQuAD модель RoBERTa с 138,4 млн параметров и контекстом до 1025 токенов. Она выделяет ответный фрагмент в предоставленном тексте и предназначена для систем вопросно-ответного поиска на французском языке. На FQuAD указаны F1 83,03 и Exact Match 64,77. Модель подходит для поиска ответов в документах и текстах, когда ответ должен быть извлечён из контекста. Качество за пределами FQuAD и перенос на другие задачи могут быть ограничены; возможны смещения, связанные с обучающими данными. Распространяется по лицензии MIT.

cmarkea представила DistilCamemBERT-QA — франкоязычную модель CamemBERT, дообученную для поиска ответа на вопрос в предоставленном тексте. Она обучена на наборах FQuAD v1.0 и Piaf и принимает вопрос вместе с контекстом, после чего выделяет в нём фрагмент с ответом. Модель содержит 81,2 млн параметров; для инференса доступны форматы PyTorch, TensorFlow и ONNX. Родительская модель — cmarkea/distilcamembert-base, а заявленная длина контекста — 514 токенов. Модель предназначена для франкоязычных систем вопросов и ответов, включая извлечение сведений из документов. Авторы сообщают примерно о двукратном сокращении времени инференса по сравнению с CamemBERT-вариантом на использованной ими конфигурации, но их оценка также показывает более низкие результаты exact match и F1. Лицензия CC BY-NC-SA 3.0 требует атрибуции и ограничивает коммерческое использование; производные материалы должны распространяться на тех же условиях.

hyt1912/electra-small-discriminator-finetuned-squad — компактная модель семейства ELECTRA, дообученная для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для сценариев, где ответ можно найти непосредственно в предоставленном фрагменте текста. Модель содержит 20,4 млн параметров, поддерживает контекст длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. В README указана оценка Loss 1,0458 на наборе оценки, но подробности о данных и методике оценки не приведены. Модель распространяется по лицензии Apache-2.0. Языки и специализированные области применения в доступных сведениях не определены.

Gabor Madarasz дообучил Gemma 3 270M IT на наборе HuHotpotQA_8k для ответов на вопросы по предоставленному контексту на венгерском языке. Это компактная текстовая причинная языковая модель с архитектурой Gemma3ForCausalLM и 257 млн параметров; она принимает вопрос и несколько фрагментов контекста, синтезирует сведения из них и формулирует ответ. Заявленное окно контекста — 32 768 токенов. Модель рассчитана на многошаговый поиск ответа по контексту в формате HotpotQA, включая извлекающие и свободно сформулированные ответы. В README для тестовой выборки из 113 примеров приведены exact match 61,95 и token F1 66,53. Репозиторий содержит веса safetensors и использует лицензию Gemma Terms of Use; применяются ограничения этой лицензии.

Sahajtomar/German-question-answer-Electra — модель ответов на вопросы на немецком языке, дообученная автором Sahajtomar на наборе MLQA на основе GELECTRA Large от deepset.ai. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Архитектура — ELECTRA с 434,5 млн параметров; максимальная длина контекста составляет 512 токенов. Доступны веса PyTorch и TensorFlow. В карточке приведены результаты: EM 64,27 и F1 77,39 на немецкой dev-выборке MLQA, а также EM 66,38 и F1 82,25 на немецкой тестовой выборке XQuAD. Модель рассчитана на немецкоязычные QA-сценарии; сведения о лицензии в доступных данных отсутствуют.

GME-VARCO-VISION-Embedding — мультимодальная модель эмбеддингов, разработанная NCSOFT/NCAI на основе Qwen2-VL-7B-Instruct с использованием параметров Alibaba-NLP/gme-Qwen2-VL-7B-Instruct для улучшения поиска. Она преобразует текст, изображения и видео в векторы общего семантического пространства, чтобы находить соответствующие материалы по текстовому запросу. Основной сценарий — поиск видео: по сценам, описаниям и вопросам о содержимом. Модель основана на плотной архитектуре Qwen2-VL, содержит 7,1 млрд параметров, использует Transformers и формат safetensors; родной контекст — 32 768 токенов. В карточке заявлены высокая точность поиска, обобщение на разные сценарии и результаты уровня SOTA zero-shot на MultiVENT2.0 по состоянию на июль 2025 года. Модель можно применять в системах мультимодального поиска и как компонент агента, который находит видео для последующей генерации ответа. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Заявленная поддержка языка — английский; в README также упомянуты англоязычная и корейская демонстрации, но это не подтверждает поддержку корейского как языка модели.

Hindi-BERT-SQuAD — модель команды L3Cube-Pune для ответов на вопросы по тексту на хинди. Она основана на HindBERT (l3cube-pune/hindi-bert-v2) и дообучена на переведённом на хинди наборе L3Cube-IndicSQuAD. Модель использует архитектуру XLM-RoBERTa с 305,2 млн параметров и рассчитана на контекст до 514 токенов. Модель предназначена для извлечения ответа из предоставленного текста по заданному вопросу, например, для поиска фактов в статьях и документах на хинди. Она принимает текст и выдаёт текстовый ответ. Распространяется по лицензии CC BY 4.0; практическое качество зависит от соответствия входных текстов и вопросов данным и языковому стилю обучения.

Labira/LabiraPJOK_5x_50 — дообученная модель семейства BERT для ответов на вопросы. Она создана на основе Labira/LabiraPJOK_3x_50 и сохранена в формате TensorFlow; число параметров — 137,8 млн, максимальная длина контекста — 512 токенов. Карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты обучения: loss на обучающей выборке 0,0274, validation loss 3,1328 после 44 эпох. Модель предназначена для извлечения ответа из текста по заданному вопросу. README не описывает обучающие данные, целевую область или ограничения применения, поэтому качество и пригодность для конкретных сценариев по приведённым метрикам оценить нельзя. Лицензия — MIT.

В репозитории SerialKicked/Lethe-AI-Repo собраны ресурсы для библиотеки Lethe AI Sharp: GGUF-модели, шаблоны Jinja и файлы для интеграции локальных LLM. В него входят квантованная модель эмбеддингов GTE large в формате Q6_K для поиска по RAG-сценариям и квантованный классификатор эмоций на базе BERT-base-uncased, дообученный на GoEmotions для многометочной классификации 28 эмоций. Также размещены исправленные шаблоны диалогов Mistral и Qwen. Репозиторий предназначен для разработчиков, использующих библиотеку Lethe AI Sharp на C#/.NET: его компоненты помогают организовать векторный поиск по документам и экспериментальный анализ эмоций. Для классификатора указано экспериментальное применение; характеристики контекста и полный перечень поддерживаемых языков в карточке не приведены. Лицензия репозитория — MIT.

Это модель для ответов на вопросы по испанским текстам. Её дообучил mrm8488 на наборе SQAC — данных для извлекающего ответа на вопросы, составленных из испанских энциклопедических статей, новостей и текстов корпуса AnCora. В основе — Longformer с архитектурой RoBERTa; модель содержит около 151,8 млн параметров и принимает контекст длиной до 4098 токенов. Модель подходит для поиска ответа в длинном испанском документе: на вход подаются вопрос и контекст, а на выходе — фрагмент текста с ответом и его позициями. Это извлекающая система вопросов и ответов, а не генератор развернутых ответов. В карточке не приведены результаты оценки качества. Указана библиотека PyTorch; отдельные условия лицензирования самой модели не описаны.

Seraphic663 разработал полно-параметрический чекпойнт LRAT Qwen3-Embedding-0.6B, дообученный на базе Qwen/Qwen3-Embedding-0.6B для соревнования CCIR LRAT. Модель преобразует текстовые запросы и фрагменты документов в нормализованные эмбеддинги для поиска релевантных пассажей по запросу. Используется архитектура Qwen3 с 507,6 млн параметров; заявленная длина контекста — 32 768 токенов. Для обучения применялись только официальные пары LRAT, два этапа обучения и пулинг последнего токена. Модель предназначена для извлечения признаков и семантического поиска, в частности для подбора фрагментов, отвечающих на веб-поисковые запросы. В README приведены высокие метрики Recall и MRR на диагностической выборке, однако все 500 запросов этой выборки встречались в обучении, поэтому результаты не являются оценкой на отложенных данных и не подтверждают качество на лидерборде. В метаданных указан английский язык. Лицензия в предоставленных данных не указана.

Alireza1044 опубликовал модель MobileBERT, дообученную на наборе GLUE QNLI для классификации пар «вопрос — предложение»: модель определяет, содержит ли предложение ответ на вопрос. Архитектура MobileBERT насчитывает 59,7 млн параметров и обрабатывает вход длиной до 512 токенов. Модель рассчитана на англоязычные данные и представлена в формате PyTorch. На оценочной выборке QNLI модель показала accuracy 0,9068 и loss 0,3731. Лицензия Apache-2.0 разрешает использование и распространение при соблюдении её условий. Результаты относятся к оценке на QNLI; карточка не описывает качество на других задачах и доменах.

knurm/my-finetuned-xml-roberta2 — модель семейства XLM-RoBERTa, дообученная knurm на неизвестном наборе данных для ответа на вопросы. Веса содержат 305,2 млн параметров; архитектура — XLMRobertaForQuestionAnswering, формат — PyTorch, контекст — до 514 токенов. Модель предназначена для задачи question answering. README приводит значение функции потерь 3,4644 на оценочной выборке, но не описывает её состав, метрики качества, языки или предполагаемые сценарии использования. Модель распространяется по лицензии MIT.