I.1Поиск и навигация по информации

NeuML разработала BiomedBERT ColBERT — англоязычную модель эмбеддингов с несколькими векторами, дообученную на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и оценивает их сходство с помощью позднего взаимодействия ColBERT и оператора MaxSim. Модель предназначена для семантического поиска и извлечения релевантных фрагментов из биомедицинских текстов, в том числе как источника контекста для RAG. Её можно применять для поиска по большим коллекциям публикаций, подбора ответов на вопросы по медицинской литературе и ускоренного переранжирования результатов. В README приведены оценки на PubMed QA, PubMed Subset и PubMed Summary; автор отмечает, что модель превосходит включённые в сравнение модели на среднем результате. Она не является cross-encoder, а её контекст ограничен 512 токенами. Модель содержит 136,7 млн параметров, распространяется в формате safetensors и доступна по лицензии Apache-2.0.

rsml/bluebert_pubmed_mimic_uncased_L-12_H-768_A-12-finetuned-squad — англоязычная модель для ответов на вопросы, созданная дообучением BERT-модели BlueBERT на датасете SQuAD. Она принимает текстовый контекст и вопрос и предсказывает ответ, опираясь на контекст. Модель содержит 136,7 млн параметров, имеет архитектуру BertForQuestionAnswering и работает с контекстом до 512 токенов. Базовая модель предварительно обучена на статьях PubMed и клинических записях MIMIC-III, однако эта версия настроена на общий набор вопросов и ответов SQuAD; специализация базовой модели сама по себе не подтверждает медицинскую точность ответов. Лицензия — CC0 1.0.

sophiaqho/boolq_finetuned_v1 — дообученная модель на основе PrimeQA/tydiqa-boolean-answer-classifier для классификации текста. Базовая модель XLM-RoBERTa имеет около 658,7 млн параметров; репозиторий содержит веса в формате safetensors и рассчитан на контекст до 514 токенов. Модель подходит для классификации ответов на вопросы формата «да/нет» по текстовому контексту: базовый чекпойнт различает yes, no и no-answer. В карточке указана оценка loss 0,7342 на тестовом наборе, но название обучающего датасета приведено как None, а подробности данных и сценариев применения отсутствуют. Модель распространяется по лицензии Apache-2.0.

DeepControl-Qwen2.5-3B — исследовательский чекпойнт разговорной модели Qwen2.5-3B-Instruct, разработанный для агента глубокого поиска в работе «Adaptive Information Control for Search-Augmented LLM Reasoning». Модель дообучена для рассуждений с использованием поиска и предназначена для сценариев, где генерация текста сочетается с поиском информации. В метаданных указаны плотная архитектура Qwen2, 3,1 млрд параметров, контекст до 32 768 токенов, поддержка английского языка и формат Safetensors. Модель доступна под лицензией Apache-2.0 и запускается, в частности, через vLLM. README приводит пример с ограничением контекста до 8192 токенов при запуске. Карточка не описывает качество на бенчмарках, конкретный поисковый интерфейс или ограничения поведения; для использования в агентной системе потребуется соответствующая поисковая инфраструктура.

tusbaki/distilbert-base-uncased-finetuned-squad — модель DistilBERT, дообученная на наборе SQuAD для поиска ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и предсказывает ответный фрагмент; модель предназначена для извлечения ответов, а не для свободной генерации текста. Максимальная длина контекста составляет 512 токенов. Опубликованные веса представлены в формате PyTorch. Модель основана на distilbert-base-uncased и выпущена по лицензии Apache-2.0. README приводит значение loss 1.1966 на оценочном наборе, но не содержит подробностей о методике оценки и ограничениях. Обучение на SQuAD не подтверждает поддержку русского языка; модель рассчитана на англоязычные вопросы и контексты.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Это дообученная и уменьшенная версия Qwen/Qwen3-VL-Embedding-2B: модель отображает текст, изображения, видео и страницы документов в общее векторное пространство для поиска и сопоставления по смыслу. Веса содержат около 1,93 млрд параметров; заявлена работа на периферийных устройствах и скорость примерно в 1,1 раза выше базовой модели. Модель предназначена для мультимодального поиска, в том числе в цифровой криминалистике: например, для поиска изображений или документов по текстовому запросу в автономной среде. Внутренние оценки Urock-AI на MMEB-V2 показывают результат 63,2 против 68,9 у повторно оценённой базовой модели; на ряде тестов тонкого сопоставления результаты близки к базовой модели. Лицензия — Apache 2.0. Eddy-VL формирует эмбеддинги и не выполняет переранжирование найденных результатов. В README отмечено, что качество немного ниже, чем у полной базовой модели; отдельно не оценены многоязычные и специализированные доменные сценарии. Модель предназначена для поиска кандидатов и не должна быть единственным основанием для решений с высокими ставками.

sjrhuschlee/flan-t5-base-squad2 — модель семейства T5, созданная дообучением flan-t5-base на вопросно-ответных примерах SQuAD 2.0. Она предназначена для извлечения ответа из предоставленного текста и умеет воздерживаться от ответа, если в тексте нет достаточной информации. Для корректной работы перед вопросом требуется вручную добавить специальный токен, предусмотренный моделью для обработки вопросов без ответа. Модель имеет архитектуру T5ForQuestionAnswering, содержит 123,8 млн параметров и рассчитана на контекст до 512 токенов. Основной язык — английский; для запуска используются Transformers и веса PyTorch/SafeTensors. Модель опубликована под лицензией MIT. Она подходит для поиска ответов в заданном тексте, но качество за пределами английского языка и данных, близких к SQuAD 2.0, не подтверждено.

FuriouslyAsleep выпустил дообученную на WebSRC модель MarkupLM Large для ответов на вопросы по веб-страницам. Она принимает текст вопроса вместе с текстом и HTML-разметкой страницы, используя структуру разметки для визуально насыщенных документов и извлечения ответов. Модель основана на архитектуре MarkupLMForQuestionAnswering, содержит 454,1 млн параметров и рассчитана на контекст до 514 токенов. Модель подходит для поиска ответов в содержимом веб-страниц и прототипирования систем вопросно-ответного поиска по структурированным документам. Дообучение выполнено на небольшой части WebSRC: использован один сайт для обучения, отдельный тестовый набор не задействован, поэтому качество на других сайтах может быть ограниченным. Автор отмечает, что пример запуска может не работать и требует специальной ветки Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Minerva-3B-base-RAG — языковая модель для ответов на вопросы, созданная независимым дообучением Minerva-3B-base-v1.0. Базовую модель разработали Sapienza NLP совместно с Future Artificial Intelligence Research (FAIR) и CINECA; автор дообучения в карточке не назван. Модель предназначена для сценариев question answering и использования в системах Retrieval-Augmented Generation (RAG), где она формирует ответы на основе предоставленного контекста. Это плотная causal language model семейства Mistral с архитектурой MistralForCausalLM, 2,8 млрд параметров и контекстом до 16 384 токенов. Карточка указывает итальянский язык и набор данных gquad_it. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количественные оценки качества и подробные ограничения применения в карточке не приведены.

Yuchen/muril-large-cased-hita-qa — модель для ответов на вопросы на хинди и тамильском языках. Она основана на архитектуре BERT и представлена в формате PyTorch; число параметров — около 604,7 млн, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения ответа из предоставленного текста по вопросу пользователя. Автор README указывает, что модель входила в ансамбль, занявший 4-е место среди 943 участников соревнования по Question Answering на хинди и тамильском, организованного Google Research India на Kaggle. Репозиторий распространяется по лицензии Apache-2.0. В карточке не описаны ограничения сверх контекстного окна в 512 токенов и участия модели в ансамбле.

NeuML подготовила PubMedBERT Embeddings Matryoshka — модель эмбеддингов на архитектуре BERT для сравнения сходства предложений и семантического поиска по биомедицинским текстам. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов; основной язык — английский. Обучение с Matryoshka Representation Learning позволяет получать эмбеддинги размером 64, 128, 256, 384, 512 или 768 измерений. Меньшие размерности экономят место при хранении векторной базе, но, согласно README, не уменьшают вычислительные затраты. Модель подходит для семантического поиска, построения источников для RAG и сопоставления вопросов, статей, аннотаций и других биомедицинских текстов. В приведённой оценке на наборах PubMed она сохраняет конкурентное качество при сокращённых размерностях. Модель распространяется по лицензии Apache-2.0. Контекст ограничен 512 токенами; область оценки в README ограничена несколькими биомедицинскими наборами, поэтому результаты не гарантируют такое же качество на иных текстах и языках.

Falconsai/question_answering_v2 — англоязычная модель на архитектуре DistilBERT-base-uncased, дообученная разработчиками Falconsai для поиска ответов на вопросы по заданному тексту. Она принимает вопрос и контекст, после чего извлекает из контекста ответ; архитектура DistilBERT компактнее BERT и рассчитана на более эффективный инференс. Максимальная длина контекста — 512 токенов. Модель предназначена прежде всего для англоязычных сценариев question answering. В README также упоминаются классификация текста, анализ тональности и распознавание именованных сущностей, но отдельная пригодность для этих задач не подтверждена метаданными. Модель распространяется по лицензии Apache-2.0. Качество зависит от данных и предметной области; README рекомендует оценивать модель на целевых примерах и отмечает возможные смещения в предсказаниях. Указанная длина контекста ограничивает объём текста, который можно обработать за один запрос.

Qwen2.5-0.5B grounded RLOO — компактная языковая модель Saiteja Alasyam для ответов на вопросы по данному текстовому фрагменту. Она дообучена на базе Qwen/Qwen2.5-0.5B-Instruct: после supervised fine-tuning модель оптимизировали методом RLOO в рамках RLHF с использованием модели вознаграждения и KL-штрафа. Веса хранятся в формате Safetensors; число параметров — 494 млн, контекст — до 32 768 токенов. Модель принимает вопрос и фрагмент текста в шаблоне чата Qwen2.5 и должна отвечать коротко, используя только сведения из фрагмента; если ответа там нет, предусмотрен отказ «The passage does not say.». Основной сценарий — grounded question answering с воздержанием при отсутствии подтверждения. В README приведены оценки на тестовом протоколе, однако автор предупреждает, что модель не является надёжным читателем: обучение на нескольких тысячах примеров может приводить к ошибкам, а оптимизация вознаграждения не гарантирует повышения точности. Не предназначена для решений с высокими последствиями. Лицензия весов — Apache-2.0; производные обучающие данные основаны на SQuAD 2.0 и лицензированы CC BY-SA 4.0.

RAG-KO-Mixtral-7Bx2-v1.1 — языковая модель MarkrAI, дообученная для генерации ответов в сценариях retrieval-augmented generation на корейском языке. В основе лежит DopeorNope/Ko-Mixtral-v1.3-MoE-7Bx2; для instruction tuning применялся QLoRA с 4-битной квантизацией и адаптерами LoRA. Архитектура — Mixtral MoE, размер модели по метаданным — 7,1 млрд параметров. Модель предназначена для генерации ответов на основе найденных фрагментов и корейских данных из нескольких предметных областей. В карточке указан обучающий набор HumanF-MarkrAI/Korean-RAG-ver2; веса опубликованы в формате safetensors. Контекстное окно — до 32 768 токенов. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и распространение производных материалов на тех же условиях, но запрещает коммерческое применение.

Adnan2942/t5-small-finetuned-squad — компактная модель семейства T5, дообученная на наборе rajpurkar/squad для ответов на вопросы. Она принимает вопрос и текстовый контекст и формирует текстовый ответ; модель подходит для извлечения ответов из предоставленных фрагментов текста. Архитектура — T5ForQuestionAnswering, размер — 38,5 млн параметров, базовая модель — google-t5/t5-small. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Модель разработал пользователь Hugging Face Adnan2942; базовая модель создана Google. Она предназначена для англоязычных задач в стиле SQuAD, где ответ нужно найти в контексте. Лицензия — Apache-2.0. Карточка не содержит результатов оценки или подробных ограничений; качество на других языках, доменах и типах вопросов не подтверждено.

test-bert-2 — дообученная модель BERT, созданная на основе deepset/bert-base-cased-squad2 для извлечения ответов на вопросы из текста. Она содержит 136,7 млн параметров, использует архитектуру BertForQuestionAnswering и рассчитана на контекст до 512 токенов. Модель принимает вопрос и текстовый контекст и выдаёт ответ, найденный в контексте. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 11,9673 на оценочном наборе. Данных о качестве на практических задачах, назначении датасета и дополнительных сценариях применения нет. Базовая модель англоязычная, поэтому основным языком следует считать английский. Лицензия в предоставленных сведениях не указана.

datarpit/toy-qa — дообученная модель DistilBERT для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель создана на основе distilbert-base-uncased; в README приведено значение функции потерь 0,2410 на оценочном наборе, но набор данных не назван. Модель использует архитектуру DistilBertForQuestionAnswering, формат PyTorch и контекст длиной до 512 токенов. Метаданные указывают на английский язык; лицензия — Apache-2.0. README не содержит сведений о специализации, обучающих данных или известных ограничениях, поэтому качество ответов для конкретных областей по имеющимся данным оценить нельзя.

vnktrmnb/xlm-roberta-base-FT-TyDiQA_AUQC — дообученная модель XLM-RoBERTa Base для ответов на вопросы. Она принимает вопрос и текстовый контекст и предсказывает ответ в контексте. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и распространяется в формате TensorFlow; максимальный контекст составляет 514 токенов. В README приведены результаты обучения до двух эпох: точность логитов начала ответа на валидации — 0,8909, конца ответа — 0,8434, функция потерь — 0,4881. Название указывает на TyDiQA и AUQC, но README называет датасет неизвестным и не описывает обучение или intended use; поэтому целевые языки и прикладные области нельзя уточнить. Лицензия — MIT.

Aruz — компактная текстовая модель для узбекского языка на латинице, созданная на основе google/gemma-4-E2B-it. Модель имеет плотную архитектуру Gemma 4 и предназначена для коротких ответов, вызова инструментов и ответов по найденным фрагментам текста; её настраивали на узбекский язык, следование инструкциям и работу с внешними знаниями без развёрнутых рассуждений. Модель принимает и выдаёт текст, поддерживает узбекский язык и работает через Transformers. В README указаны bf16 и 2,2 млрд параметров, тогда как метаданные каталога сообщают 1,2 млрд параметров; заявленный базовый контекст в метаданных — 131 072 токена. Лицензия — Apache-2.0. Aruz рассчитана на короткие, основанные на предоставленном контексте ответы и инструментальные сценарии на узбекском языке. Она не предназначена для математики, программирования и ответов на открытые вопросы без опоры на найденный текст.

Mediocre-Judge/bengali_qa_model_AGGRO_banglabert — дообученная модель на базе csebuetnlp/banglabert для ответов на вопросы на бенгальском языке. Она построена на архитектуре ELECTRA и содержит 137,8 млн параметров; формат весов — Safetensors, длина контекста — до 512 токенов. Модель предназначена для извлечения ответа из контекста по заданному вопросу. В README приведены результаты оценки на неизвестном наборе данных: Exact Match 98,57 и F1 99,01; состав и методика оценки не описаны. Модель опубликована 9 декабря 2024 года. Лицензия в доступных сведениях не указана. Оценивать качество на других наборах данных и сценариях по приведённым метрикам нельзя; также не описаны обучающие данные и ограничения применения.

savasy/bert-base-turkish-squad — модель на архитектуре BERT-base, дообученная автором для ответов на вопросы на турецком языке. Она обучалась на турецкой версии набора SQuAD, TQuAD, и предназначена для поиска ответа на вопрос в предоставленном тексте. Модель содержит 137,8 млн параметров и поддерживает контекст длиной до 512 токенов. Подходит для извлечения ответов из турецких документов и текстов в системах вопросов и ответов. Карточка указывает базовую модель dbmdz/bert-base-turkish-uncased. Доступны веса в форматах PyTorch, Flax и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Amdestya/bm25cat-minilm-l12 — англоязычный cross-encoder-реранкер на базе Microsoft MiniLM-L12, обученный по методу CEBM25CAT из работы Askari et al. (ECIR 2023). Модель оценивает релевантность passage запросу, принимая нормализованный BM25-балл как часть текстового ввода. В README она представлена как исследовательский артефакт для воспроизведения метода информационного поиска. Вход состоит из текстового запроса и passage, а также BM25-балла: формат первой части — «балл [SEP] запрос», затем passage. Балл требуется нормализовать глобально по фиксированному диапазону 0–50, умножить на 100 и усечь до целого; при обучении использовались оценки Pyserini/Lucene с BM25Similarity(k1=0.82, b=0.68). Модель имеет архитектуру BERT для классификации последовательностей, около 40 млн параметров и контекст 512 токенов; обучалась с дистилляцией по MSE на парах MS MARCO с использованием ансамбля BERTCAT в роли учителя. Модель предназначена для переранжирования результатов поиска, когда доступны BM25-оценки. README предупреждает, что порядок полей и способ нормализации важны: другой формат ввода или распределение баллов может приводить к ненадёжным оценкам. Лицензия — Apache-2.0.

vivekkopthsd/embeddinggemma-300m-taxrag-ft — дообученный Vivek Kopth на базе google/embeddinggemma-300m энкодер эмбеддингов для многоязычного поиска по индийским налоговым и финансовым документам. Модель кодирует текстовые запросы и фрагменты документов в векторы для семантического поиска и извлечения контекста в RAG-системах. Модель основана на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и выдаёт эмбеддинги размерности 768 с поддержкой Matryoshka-размеров 512 и 384. Максимальная длина последовательности — 2048 токенов. Дообучение выполнено на парах запросов и фрагментов Income-Tax Act, 2025 и финансовых вопросах из BeIR/fiqa. Основные языки — английский и хинди; карточка также заявляет работу с Hinglish. На указанном тесте модель достигла Recall@5 1,0 для английского и хинди, но результаты для Hinglish ниже. Лицензия — Gemma; выход модели предназначен для образовательного использования и не является юридической или финансовой рекомендацией.

Wikidepia/indobert-lite-squad — модель семейства ALBERT на базе IndoBERT-Lite, разработанной Indo Benchmark и дообученной на переведённом наборе Translated SQuAD 2.0 для ответов на вопросы. Она извлекает ответ из предоставленного текста-контекста и предназначена для сценариев, где ответ можно найти в документе или фрагменте текста. Модель решает задачу question-answering, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. Карточка указывает поддержку индонезийского языка. Веса представлены в формате PyTorch. В README приведён пример извлечения короткого ответа с оценкой уверенности. Качество ответов зависит от релевантности и полноты контекста; модель не предназначена для свободных ответов без опорного текста. Лицензия в доступных данных не указана.

DanswerAI разработала эту модель для классификации пользовательских запросов в системе Danswer. Это многоклассовый классификатор на базе DistilBERT, дообученный от distilbert-base-uncased. Он относит запросы к категориям поиска по ключевым словам, семантического поиска и прямого ответа на вопрос; карточка указывает контекст до 512 токенов и формат TensorFlow. Модель предназначена для маршрутизации запросов в системе вопросов и ответов Danswer. Она помогает выбрать подходящий сценарий поиска или ответа по типу пользовательского намерения. Лицензия — MIT. По карточке, модель обучена на небольшом наборе данных, поэтому её качество и переносимость на другие запросы или предметные области могут быть ограничены.

stanford-oval/Llama-2-7b-WikiChat — модель генерации текста, созданная дообучением LLaMA-2 7B для работы с WikiChat v1.0. Она предназначена для диалоговых ответов с опорой на сведения из Википедии; подход WikiChat описан в работе о снижении галлюцинаций чат-ботов с помощью few-shot grounding на Википедии. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке указана поддержка английского языка. Для загрузки требуется принять лицензионное соглашение LLaMA 2; лицензия репозитория — llama2.

Карточка модели stanford-oval/Llama-2-7b-WikiChat-fused на Hugging Face совпадает с карточкой stanford-oval/Llama-2-7b-WikiChat, поэтому описание составлено по ней. stanford-oval/Llama-2-7b-WikiChat — модель генерации текста, созданная дообучением LLaMA-2 7B для работы с WikiChat v1.0. Она предназначена для диалоговых ответов с опорой на сведения из Википедии; подход WikiChat описан в работе о снижении галлюцинаций чат-ботов с помощью few-shot grounding на Википедии. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке указана поддержка английского языка. Для загрузки требуется принять лицензионное соглашение LLaMA 2; лицензия репозитория — llama2.

Это японская модель извлечения ответов на вопросы, созданная Mizuiro-sakura дообучением luke-japanese-base-lite на датасете JSQuAD. Она предназначена для extractive question answering: по вопросу и контексту находит фрагмент текста, содержащий ответ. Модель основана на LUKE — Transformer-архитектуре, которая представляет слова и сущности как отдельные токены и использует entity-aware self-attention. Размер модели — 138,4 млн параметров, нативная длина контекста — 514 токенов. В README указаны exact match 0,758 и F1 0,876 на оценке модели. Модель рассчитана на японский язык и подходит для поиска ответов в заданном тексте; карточка не описывает генерацию свободных ответов. Распространяется по лицензии MIT.

INDUS-Small nasa-smd-ibm-distil-v0.1 — разработанная IBM Research и NASA SMD компактная RoBERTa-модель типа encoder-only, полученная дистилляцией INDUS (nasa-impact/nasa-smd-ibm-v0.1). Модель с примерно 33,5 млн параметров использует четыре слоя и обучена по задаче masked language modeling; максимальная длина контекста — 514 токенов. Модель адаптирована к научным текстам, связанным с направлениями NASA SMD, включая публикации по наукам о Земле, климату, астрономии и биологии. Она предназначена для извлечения информации, интеллектуального поиска, распознавания именованных сущностей и извлечения ответов из научных документов; также может служить основой для sentence embeddings. Дистилляция ориентирована на компромисс между качеством, размером и задержкой. Это экспериментальная модель, выпущенная для обучения и оценки encoder-языковых моделей INDUS. Карточка не приводит конкретных показателей качества; результаты для отдельных задач могут требовать дополнительной настройки. Лицензия — Apache-2.0.

CharlieLLL/Qwen3-4B-BrowseComp-Worker-SFT-0915 — исследовательская рабочая модель, созданная полным дообучением Qwen/Qwen3-4B компанией CharlieLLL. Она предназначена для поиска и проверки сведений в BrowseComp-подобных задачах в составе системы с координатором MiniMax-M2.7, поисковым индексом и средой выполнения. Это плотная авторегрессионная модель семейства Qwen3 на 3,7 млрд параметров с контекстом 40 960 токенов; она принимает текст и выдаёт текст, включая XML-подобные вызовы инструментов поиска, открытия страниц и завершения задачи. Обучение SFT использовало данные BrowseComp Worker и gate; обучение с подкреплением не проводилось. В описанном тестировании система с этой моделью решила 108 из 150 вопросов (72%), против 83 из 150 у исходной Qwen3-4B. Это результат всей системы с координатором и поиском, а не отдельная оценка модели; приведён один случайный прогон. Для работы требуются соответствующие промпты, поисковая среда и координатор. README также отмечает, что отсутствие идентификаторов исходных вопросов в части обучающих данных не позволяет независимо доказать отсутствие загрязнения тестового набора. Модель распространяется по лицензии Apache-2.0.