I.1Поиск и навигация по информации

datarpit/toy — модель на базе DistilBERT, дообученная для ответа на вопросы. Карточка сообщает, что для обучения использовался набор данных с названием None; дополнительных сведений о данных и назначении не приводит. Модель предназначена для задачи question answering. Архитектура — DistilBertForQuestionAnswering; формат весов — PyTorch, максимальный контекст — 512 токенов. По идентификатору базовой модели это англоязычная версия distilbert-base-uncased. В README приведено значение loss 0,2124 на оценочном наборе, но не описаны метрика, протокол оценки и ограничения качества. Лицензия — Apache-2.0.

UnifiedQA-T5-Small — модель Allen Institute for AI (AI2), основанная на архитектуре T5 и дообученная для ответов на вопросы в разных форматах. Она преобразует текстовый вопрос, при необходимости вместе с контекстом или вариантами ответа, в текстовый ответ; поддерживает открытые, извлекающие, абстрактные, да/нет и тестовые вопросы с выбором ответа. Вариант small содержит около 38,5 млн параметров, использует кодировщик-декодировщик T5 и рассчитан на контекст до 512 токенов. Модель предназначена для построения и оценки систем вопросно-ответного поиска и может служить начальной точкой для дальнейшей настройки на пользовательских данных. Карточка и материалы проекта указывают английский язык. Модель принимает и выдаёт текст, а ожидаемый формат входа использует разделитель между вопросом и дополнительными данными. Репозиторий проекта распространяется по лицензии Apache-2.0.

extractivereaderafroxlmrsquadv2 — модель Masakhane на базе Davlan/afro-xlmr-base, дообученная на наборе данных SQuAD v2 для извлечения ответов на вопросы из текста. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста составляет 514 токенов. Модель принимает вопрос и текстовый фрагмент и предсказывает ответ, включая возможность указать, что в тексте нет ответа. Репозиторий содержит веса PyTorch. Модель предназначена для систем вопросов и ответов на африканских языках, поддерживаемых базовой моделью AfroXLMR. Карточка не приводит подробностей оценки качества и ограничений; практическая точность зависит от языка и соответствия входного текста обучающим данным. Лицензия — MIT.

vblagoje/bart_lfqa — англоязычная модель Владимира Благожевича для генерации ответов на вопросы с опорой на контекст. Она основана на архитектуре BART и обучена на наборах LFQA и LFQA Support Docs; подходит для развёрнутых ответов на вопросы по предоставленным подтверждающим документам. Модель содержит 252,8 млн параметров, принимает и генерирует текст, её контекст ограничен 1024 токенами. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. Карточка содержит мало сведений о качестве ответов и рекомендуемых сценариях; перед применением стоит проверить её на своих данных.

andeskyl/bert-base-cased-qnli — модель BERT, дообученная на наборе GLUE QNLI для классификации пар вопрос–текст и определения, содержит ли текст ответ на вопрос. Она основана на google-bert/bert-base-cased и предназначена для оценки артефакта статьи «SHAFT: Secure, Handy, Accurate, and Fast Transformer Inference». Модель имеет 135,5 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и выдаёт метку классификации. Максимальная длина контекста — 512 токенов; карточка указывает английский язык. На оценочной выборке QNLI указаны accuracy 0,9077 и loss 0,2835. Лицензия — Apache-2.0.

Skelter Labs разработала эту модель для ответов на вопросы на японском языке. Это BERT-base для японского языка, дообученный на наборе JaQuAD для извлечения ответов из текста. Модель имеет 137,8 млн параметров, принимает текстовый контекст и вопрос, а затем выделяет ответ в контексте; максимальная длина контекста — 512 токенов. На наборе разработки JaQuAD модель показала F1 77,35 и точное совпадение 61,01. Она подходит для систем вопросов и ответов по японским документам и текстам. Модель распространяется под лицензией CC BY-SA 3.0; её веса доступны в формате PyTorch.

Z-Jafari/bert-fa-base-uncased-finetuned-nestedRewrite_QA — персидская BERT-модель, дообученная на базе HooshvareLab/bert-fa-base-uncased для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу. Модель содержит 190 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. В README приведены результаты оценки: exact match 72,3 и F1 75,96. Датасет, на котором выполнялось дообучение, не назван, а описание обучения и ограничений отсутствует. Модель распространяется по лицензии Apache-2.0.

badokorach/bert-finetuned-260124 — дообученная модель семейства BERT, разработанная пользователем badokorach на основе badokorach/bert-finetuned-210124. Модель предназначена для поиска ответа на вопрос в предоставленном тексте. Она содержит 32,4 млн параметров, принимает контекст длиной до 512 токенов и опубликована в формате TensorFlow. В README указано дообучение на неизвестном наборе данных и приведены нулевые значения train loss и validation loss после 14 эпох; этих метрик недостаточно, чтобы судить о качестве ответов. Лицензия не указана в предоставленных данных.

Contextual-Obedient-MoE-3x8B-Llama3-RAG — разговорная языковая модель TroyDoesAI для ответов на вопросы по явно переданному контексту, в том числе в сценариях RAG. В карточке описан формат запроса с разделителями для входных блоков, метаданных и инструкций; он помогает модели связывать ответ с предоставленными источниками и следовать контексту. Модель относится к семейству Mixtral и использует архитектуру MoE; в метаданных указано 7,5 млрд параметров и контекст длиной 8192 токена. Репозиторий содержит веса в формате safetensors, задача Hugging Face — генерация текста. Лицензия — CC BY 4.0. Модель предназначена для ответов по документам и другим заданным источникам. Заявленная ориентация на соблюдение контекста может быть полезна для снижения галлюцинаций, но сама по себе не гарантирует точность или достоверность ответов; карточка не сообщает поддерживаемые языки и количественные результаты оценки.

chiba/distilbert-base-japanese_test — модель на базе DistilBERT для задач question answering, опубликованная пользователем или организацией chiba на Hugging Face. Карточка модели отсутствует, поэтому дополнительные сведения о разработчике, обучающих данных и лицензии не подтверждены. Модель предназначена для извлечения ответов на вопросы из предоставленного контекста на японском языке. Она использует архитектуру DistilBERT, работает через библиотеку Transformers с PyTorch и поддерживает контекст длиной до 512 токенов. Модель не является генеративной системой общего назначения и не предназначена для свободного диалога или создания длинных текстов.

Gam/distilbert-base-uncased-finetuned-CUAD-IE — дообученная модель семейства DistilBERT от автора репозитория Gam. Она предназначена для извлечения ответа на вопрос из текста; название указывает на связь с CUAD и извлечением информации, но карточка не раскрывает обучающий набор и сценарии применения. Модель использует архитектуру DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ. Окно контекста составляет 512 токенов. Веса доступны в формате PyTorch, лицензия — Apache-2.0. В карточке приведён результат на оценочном наборе: loss 0,0108, однако набор данных и методика оценки не описаны. Поэтому этот показатель не позволяет судить о качестве на других задачах или текстах; для работы с длинными документами может потребоваться разбивать их на фрагменты.

kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-100 — англоязычная модель Sentence Transformers, дообученная автором на основе distilbert/distilbert-base-uncased для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается скалярным произведением. Архитектура включает DistilBERT и усредняющий слой пулинга. README указывает максимальную длину последовательности 300 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для извлечения эмбеддингов и поиска релевантных текстов, включая семантический поиск и retrieval. В README приведены результаты оценки на NanoMSMARCO, однако показатели dot_accuracy@1, @3 и @5 низкие, поэтому качество для практического поиска следует проверять на целевых данных. Также указано, что обучение проводилось на наборе из 100 примеров. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

AsmaAwad/distilbert-base-uncased-NaturalQuestions — дообученная модель DistilBERT для извлечения ответов на вопросы из контекста. Она основана на distilbert-base-uncased и обучалась на наборе NaturalQuestions; карточка связывает её применение с курсом NLP4Web Технического университета Дармштадта. Модель принимает текст вопроса и контекста и предсказывает ответ в формате задачи question-answering. Модель использует архитектуру DistilBERT и работает с текстом на английском языке; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества, поэтому пригодность для конкретного набора вопросов следует проверять отдельно.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Она дообучена на основе Qwen/Qwen3-VL-Embedding-2B и предназначена для семантического поиска по изображениям, видео, тексту и страницам документов: все эти данные отображаются в общее векторное пространство. Модель ориентирована на локальное и автономное развертывание, в том числе на периферийных устройствах и в изолированных средах цифровой криминалистики. Модель содержит 1,93 млрд параметров, распространяется в формате safetensors и, по заявлению разработчика, работает примерно в 1,1 раза быстрее исходной модели. На внутренней оценке MMEB-V2 её результат составил 63,2 против 68,9 у базовой модели в той же среде; на отдельных тестах композиционного понимания показатели близки к базе. В карточке также указана поддержка корейского и английского, однако отдельная оценка многоязычной производительности не приведена. Eddy-VL создаёт векторы для поиска и сопоставления, но сама не ранжирует результаты как специализированный реранкер и не принимает решения по найденным материалам. Разработчик рекомендует проверять кандидатов человеком, особенно в задачах с высокими последствиями. Модель распространяется по лицензии Apache 2.0.

vivekkopthsd/fiqa-retriever-bge-small — компактная текстовая модель Sentence Transformer, дообученная на основе BAAI/bge-small-en-v1.5 для поиска финансовых ответов по сходству с запросом. Она кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, CLS-пулинг и нормализацию, а релевантность можно сравнивать по косинусному сходству. Модель обучалась на 14 080 парах текстов и оценивалась на fiqa-test; в README приведено значение cosine ndcg@10 0,3923. Модель предназначена для векторного поиска и извлечения ответов в корпусах вопросов и ответов по финансам, включая сценарии поиска по запросу. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Поддерживается только текст, основной язык — английский. Лицензия в предоставленных данных не указана.

GrepSeek-Qwen3.5-9B-GRPO — поисковый агент на базе Qwen3.5-9B, разработанный автором alireza7. Модель обучена взаимодействовать напрямую с необработанным корпусом из 21 млн фрагментов Википедии: она формирует команды оболочки для точечного поиска и объединяет результаты с рассуждениями, вместо использования заранее построенного плотного или разреженного индекса. Для работы нужны корпус, сервер vLLM с поддержкой вызова инструментов и inference harness GrepSeek; модель не является самостоятельным чат-ботом. Чекпойнт дообучен методом GRPO после холодного старта SFT. Обучение с подкреплением проводилось на Natural Questions и HotpotQA; в сравнении авторов модель показала лучшие средние результаты на семи тестах и особенно сильна в многошаговом поиске с точным различением сущностей. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Лексический поиск хорошо находит точные имена и редкие текстовые шаблоны, поддерживает итеративный поиск без embedding-индекса. При этом модель хуже справляется с вариантами написания и семантическими перефразированиями, а обычный grep не ранжирует найденные фрагменты по релевантности. Карточка описывает текстовый ввод и текстовые ответы с командами и результатами поиска; контекстное окно не указано.

legal-embed-modernbert-v1 — англоязычная модель эмбеддингов, разработанная автором репозитория путём дообучения nomic-ai/modernbert-embed-base на 16 068 парах вопросов и ответов с Law StackExchange. Она предназначена для поиска наиболее релевантного ответа или фрагмента по текстовому юридическому вопросу: например, для поиска по юридическим форумам, FAQ и материалам службы поддержки, а также для RAG-систем. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Обучение использовало максимальную длину последовательности 256 токенов и MatryoshkaLoss; векторы можно сокращать до 512, 256, 128 или 64 измерений с умеренной потерей качества. Для запросов и документов требуются префиксы «search_query: » и «search_document: » соответственно. В оценке поиска среди 1000 кандидатов на отложенных парах Law StackExchange модель показала Accuracy@1 0,893, Recall@10 0,994 и MRR 0,931. Она специализирована на разговорных юридических вопросах и уступает базовой модели при поиске по положениям договоров. Модель выдаёт эмбеддинги для поиска и сравнения, а не юридические рекомендации; её результаты не заменяют консультацию юриста. Лицензия — Apache-2.0.

knurm/my-finetuned-xml-roberta4 — модель XLM-RoBERTa, дообученная автором knurm на основе knurm/xlm-roberta-base-finetuned-est для задачи question answering. Веса содержат около 305,2 млн параметров, модель принимает текст и имеет контекст до 514 токенов. Датасет обучения неизвестен; в карточке приведено значение loss 3,7709 на оценочной выборке, без дополнительных метрик или описания протокола оценки. Модель предназначена для извлечения ответа на вопрос из предоставленного текста. Метаданные указывают лицензию MIT. Ограниченное описание и отсутствие сведений о данных и результатах оценки не позволяют судить о качестве на конкретных наборах данных и сценариях.

PaSa-7B-Crawler — языковая модель ByteDance Research для поиска научных статей. Карточка связывает модель с работой «PaSa: An LLM Agent for Comprehensive Academic Paper Search»; по метаданным это плотная архитектура Qwen2 на 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-7B-Instruct. Модель предназначена для агентного поиска научных публикаций. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата и контекст до 32 768 токенов. В карточке указан английский язык. Данных о конкретных инструментах поиска, полноте покрытия источников и качестве результатов нет. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и ограничением на коммерческое использование.

REDCELL-26B-A4B-OSINT-Cyber-APEX-GGUF — специализированная модель, разработанная terrorswift на основе unsloth/gemma-4-26B-A4B-it. Это supervised fine-tune (SFT) с применением 16-битного LoRA, ориентированный на OSINT, киберразведку (CTI) и расследовательскую журналистику. Модель предназначена для исследователей OSINT, команд threat intelligence, CERT и журналистов, а не для общего назначения или использования как «uncensored» модель. Архитектура основана на Gemma 4 с Mixture-of-Experts: 26 млрд параметров всего и около 4 млрд активных. Указано контекстное окно 262144 токена. Модель поддерживает генерацию текста на английском языке; в метаданных также заявлены мультимодальность и работа с vision, однако подробности этих возможностей не приведены. Публикуется в формате GGUF для локального запуска через llama.cpp и совместимые инструменты. Доступны варианты F16, Q8_0 и несколько APEX-квантизаций размером примерно от 11,4 до 25 ГБ; рекомендуемым вариантом назван APEX-I-Balanced. Сильные стороны модели — специализация на аналитическом tradecraft, оценке источников, явной калибровке уверенности, методологии OSINT и CTI, а также пригодность для локального запуска на потребительском оборудовании. Общие ограничения, качество на конкретных задачах и результаты бенчмарков в README не указаны. Согласно описанию, базовое безопасное поведение и способность к рассуждению унаследованы от исходной модели, а активные и юридически чувствительные методы сбора данных должны применяться с осторожностью. Модель распространяется по лицензии Apache-2.0.

Fulcrum-AI/Ryze-Embed-3 — объединённая методом passthrough модель на архитектуре Qwen2, созданная с помощью mergekit на основе Alibaba-NLP/gte-Qwen2-1.5B-instruct. Веса доступны в формате safetensors; размер модели — 2,7 млрд параметров, максимальный контекст — 131 072 токена. В метаданных модель обозначена как text-generation и conversational. Базовая модель предназначена для преобразования текстов в эмбеддинги для семантического поиска, сравнения и ранжирования; карточка этой модели не уточняет, сохраняет ли объединённая версия эти возможности и как её применять. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Organizations-GoFundMe-WEF 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.

SlimPLM-Query-Rewriting — модель семейства Llama, выпущенная командой проекта SlimPLM для переформулирования поисковых запросов в сценариях извлечения информации для LLM. Она предназначена для преобразования исходного запроса в более подходящий для поиска вариант. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов; в метаданных указан формат safetensors и лицензия Llama 2. Модель может использоваться для переписывания запросов перед поиском документов или запуском retrieval-компонента в системах с LLM. README сообщает о выпуске модели в феврале 2024 года и связывает её с проектом SlimPLM; сведений о языках, обучающих данных и количественной оценке качества в доступных материалах нет.

TUKE и Deutsche Telekom дообучили словацкую модель gerulata/slovakbert для ответа на вопросы по тексту. Это плотная модель архитектуры RoBERTa с 151,8 млн параметров, обученная на наборе данных TUKE-DeutscheTelekom/skquad. Она предназначена для сценариев, в которых вопрос и текстовый контекст подаются вместе, а модель определяет ответ в контексте. Модель принимает текст и выдаёт текстовый ответ; поддерживаемый язык — словацкий. Длина контекста составляет 514 токенов. Модель распространяется по лицензии MIT.

tiny-bert-qa-es — компактная модель для ответов на вопросы на основе архитектуры ALBERT. Её разработчик дообучил CenIA/albert-tiny-spanish на наборе данных squad_es; модель содержит 15,9 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения ответа из предоставленного текста в системах вопросно-ответного поиска и справочных помощниках на испанском языке. В репозитории указаны веса PyTorch. Подробности об оценке качества и условиях использования в доступных материалах отсутствуют.

gokulkarthik/xlm-roberta-qa-chaii — модель XLM-RoBERTa для извлечения ответов на вопросы, разработанная как дообученная версия предобученной XLM-RoBERTa. Модель сначала получила дополнительное обучение на английском наборе SQuAD, а затем была дообучена на Chaii с примерами на тамильском и хинди. Она предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном тексте. Модель имеет архитектуру XLM-RoBERTa с 305,2 млн параметров и принимает текст. Контекст ограничен 514 токенами. Репозиторий содержит веса PyTorch; для загрузки README показывает использование библиотеки Transformers. Модель поддерживает английский, тамильский и хинди. Карточка не сообщает об оценках качества или подробных ограничениях; применимость стоит проверять на целевых данных, особенно за пределами языков и обучающих наборов SQuAD и Chaii. Условия лицензии в предоставленных сведениях не указаны.

mrm8488/bert-medium-finetuned-squadv2 — англоязычная модель семейства BERT, созданная на основе BERT-Medium от Google Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по предоставленному фрагменту текста. Она содержит 49,2 млн параметров и рассчитана на контекст до 512 токенов. Модель извлекает ответ из контекста или воздерживается от ответа, если в тексте нет достаточных оснований. В тесте SQuAD 2.0 автор сообщает EM 65,95 и F1 70,11. Компактное семейство BERT предназначено для работы при ограниченных вычислительных ресурсах; модель доступна в форматах PyTorch и Flax. Она подходит для англоязычных систем вопросов и ответов по текстовым отрывкам. Результаты на SQuAD 2.0 не гарантируют такое же качество на других данных; длинный контекст сверх 512 токенов не поддерживается напрямую. Сведения о лицензии в предоставленной карточке отсутствуют.

anas-awadalla/bert-tiny-finetuned-squad — компактная модель семейства BERT, дообученная на датасете SQuAD для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и определяет в контексте фрагмент, который отвечает на вопрос. Модель содержит 4,4 млн параметров, использует архитектуру BertForQuestionAnswering и распространяется в формате PyTorch; максимальная длина контекста — 512 токенов. Модель подходит для поиска ответов в коротких документах и демонстрационных систем вопросно-ответного поиска. В карточке не приведены результаты оценки и подробные ограничения; качество зависит от соответствия вопроса и контекста данным SQuAD. Лицензия — MIT.

lserinol/bert-turkish-question-answering — модель на архитектуре BERT, созданная для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст на турецком языке и извлекает из контекста ответ; пример использования показывает загрузку через Transformers и запуск конвейера question-answering. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и опубликована в форматах PyTorch и Flax. Модель подходит для поиска точных ответов в текстах на турецком языке, например в справочных материалах и документах. Карточка демонстрирует ответы на вопросы, связанные с фактами из контекста, и не подтверждает работу вне заданного текста. Лицензия в предоставленных данных не указана.

OmmWankhedee369/bge-base-medical-v1 — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 для получения плотных текстовых эмбеддингов. Архитектура основана на BERT; модель преобразует предложения и абзацы в векторы размерности 768, нормализует их и позволяет сравнивать по косинусному сходству. Максимальная длина последовательности по README — 192 токена; общий контекст модели по метаданным — до 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в медицинских материалах. Подходит для поиска по коллекциям документов и подбора похожих предложений; README не приводит медицинские оценки качества или сведения о датасете обучения. Лицензия — Apache-2.0.