I.1Поиск и навигация по информации

ReZero-v0.1 — экспериментальная языковая модель Menlo на архитектуре LlamaForCausalLM с 3,2 млрд параметров, дообученная на основе meta-llama/Llama-3.2-3B-Instruct методом обучения с подкреплением. Она предназначена для поиска ответов через взаимодействие с поисковыми системами: модель может уточнять запросы и повторять поиск, стремясь находить точные сведения, а не полагаться только на запомненные данные. Карточка описывает эксперименты на отчёте о миссиях Apollo и демонстрационный интерфейс; контекст модели — до 131 072 токенов. Модель принимает текст и генерирует текст, ориентирована на английский язык. Модель можно применять для исследования стратегий итеративного поиска и создания диалоговых прототипов с поисковыми инструментами. В карточке указана лицензия Llama 3.2. Результаты приведённых экспериментов ограничены одной тематической задачей: лучшая указанная точность составила 46,88%, а в обучающих запусках наблюдалось падение награды и нестабильность потерь.

Loom Weave 3 — компактная языковая модель Textile Labs для диалогов и ответов на вопросы с поиском сведений в Wikipedia. Это плотная авторегрессионная модель семейства Llama с 31,5 млн параметров, 16 слоями и контекстом 1024 токена; обучена с нуля, без дообучения чужих контрольных точек. Поддерживает текстовый ввод и генерацию текста на английском языке. В связке с harness.py модель решает, когда нужен поиск, формирует запрос и отвечает по полученному фрагменту статьи. Модель рассчитана на короткие ответы и простые многошаговые диалоги. В тестах она сохраняла нить разговора и корректно сообщала о выполненном поиске, однако на отложенных примерах с живыми результатами Wikipedia давала верный ответ примерно в 30% случаев. Она слабо читает незнакомые и неоднозначные фрагменты, не подходит для вычислений и может ответить, даже если источник не содержит нужных сведений. Harness ищет только в Wikipedia. Распространяется по лицензии MIT.

Это LoRA-адаптер JacktheLander для HuggingFaceTB/SmolLM2-1.7B-Instruct, предназначенный для исследовательского агента по микологии с поиском по источникам. Адаптер доступен в GGUF для llama.cpp и в формате PEFT; для работы ему нужна совместимая базовая модель SmolLM2 1.7B Instruct, поэтому он не является самостоятельной полной GGUF-моделью. Модель настраивает ответы для сценариев RAG: поиска подтверждений через инструмент rag.search, передачи чувствительных утверждений на safety.review, цитирования источников и явного обозначения неопределённости при неполных или противоречивых данных. Это специализированный планировщик и помощник для исследовательского рабочего процесса, а не универсальный чат-бот. Базовая модель компактная и англоязычная; контекст в примерах запуска ограничен 2048 токенами. В оценке адаптер улучшил поведение на тестовых запросах, особенно отказ от небезопасных рекомендаций по грибам и обработку неопределённости. В реальном рабочем процессе часть ответов не проходила валидатор из-за формата ссылок на источники. Лицензия — Apache-2.0. Адаптер предназначен для академических экспериментов; его нельзя использовать для решений о съедобности грибов, их полевой идентификации, медицинских рекомендаций или экстренной токсикологии.

Bible Assistant Qwen3.5-4B v2 — англоязычная разговорная модель Ttimms для ответов на вопросы о Библии в составе RAG-системы: внешний поиск передаёт ей найденные отрывки, на которых она должна основывать ответ. Это дообученная методом supervised fine-tuning текстовая часть Qwen3.5-4B: плотная причинная языковая модель с архитектурой Qwen3_5ForCausalLM, примерно 3,4 млрд параметров и контекстным окном базовой модели до 262 144 токенов. Сам чекпойнт обучался на последовательностях длиной 1 280 токенов и принимает только текст; возможности обработки изображений базовой модели здесь не используются. Модель предназначена для поиска стихов и отрывков, вопросов по переданному библейскому контексту, подготовки проповедей и учебного изучения. В описанном автором тесте с RAG она показала 76,5% точного воспроизведения стихов в категории прямого поиска и 98,9% цитирования в целом; эти результаты получены на собственном наборе из 282 вопросов и не гарантируют точность в иных условиях. Модель слабее справляется с тематическим синтезом и может перечислять стихи вместо связного объяснения. Для надёжных ссылок нужен поисковый индекс, а цитаты следует перепроверять. Обучающие материалы опираются на шесть общедоступных английских переводов и комментарий Мэтью Генри; источники отражают преимущественно реформатскую протестантскую традицию и не охватывают второканонические книги. Модель обучена перенаправлять кризисные и пастырские запросы, не предназначена для контекстно-свободной работы или профессиональной консультации. Лицензия — Apache-2.0.

KUET_LLM_Mistral — языковая модель Md. Shahidul Salim для ответов на вопросы о Khulna University of Engineering & Technology (KUET). Она дообучена для этой задачи на базе mistralai/Mistral-7B-Instruct-v0.1; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, модель работает через Transformers и распространяется в формате safetensors. Модель рассчитана на английский язык и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов на вопросы об университете, используя сведения, собранные с сайта KUET. В README упоминается набор для тестирования из 194 вопросов, составленных студентами, но метрики и результаты оценки не приведены. Лицензия в предоставленных данных не указана.

Loom Spark 3.2 — компактная текстовая языковая модель Textile Labs с архитектурой Llama и 22,8 млн параметров. Она обучена с нуля на случайно инициализированных весах, имеет контекст 2 048 токенов и предназначена для диалогов, ответов на вопросы и работы с поисковым harness, который получает запрос модели, ищет сведения в Wikipedia и возвращает ей одно предложение. Модель поддерживает английский язык и распространяется по лицензии MIT. Сильная сторона Loom Spark 3.2 — склонность отказываться от ответа на неизвестные факты вместо догадок; в тестах с включённым поиском она инициировала поиск и формировала запросы. Однако в сквозном тесте с поиском верно ответила на 7 из 20 вопросов. Она может неверно интерпретировать найденное предложение, слабо отвечает на уточняющие вопросы по результату поиска и не подходит для извлечения ответов из длинных вставленных документов: в тесте с текстами на 1 000–1 600 токенов результат составил 0 из 4. Поиск реализуется внешним harness, а не самой моделью.

SakThai Coder Browser — модель генерации текста для управления браузером, созданная в рамках семейства SakThai путём дообучения Qwen/Qwen2.5-Coder-1.5B-Instruct. Она рассчитана на взаимодействие с веб-страницами через вызовы инструментов: переход по адресу, нажатие на элементы, ввод текста и извлечение содержимого. Модель использует декодерную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. При подключённых инструментах выдаёт вызовы в JSON-блоках по шаблону Qwen2.5; заявленный основной язык взаимодействия — английский. Веса этой версии повреждены при слиянии LoRA: проверки в карточке сообщают о ненулевых смещениях в проекциях внимания и о пробных запусках без полезного вывода. Поэтому модель не пригодна для развёртывания до исправления слияния и повторной проверки. Она принимает и выдаёт текст, не обрабатывает изображения или скриншоты. Лицензия — Apache-2.0.

Pocket Travel — дообученная для офлайн-приложения Pocket Travel модель на базе Qwen/Qwen3-4B-Instruct-2507. Она отвечает на вопросы о путешествиях по переданным в запросе фрагментам путеводителя, стараясь использовать только сведения из контекста и явно сообщать, если его недостаточно. Модель рассчитана на работу на Android-устройствах с llama.cpp и GGUF Q4_K_M; исходные веса дообучены методом LoRA, объединены с базовой моделью и квантованы. Модель текстовая, предназначена для ответов на итальянском языке, обычно не более чем в трёх предложениях; в приложении используется контекст до 4096 токенов. В тестировании на вопросах о странах и городах модель чаще базовой версии отказывалась отвечать, когда контекст был пустым, не по теме или не содержал нужной информации. Она предназначена для поиска ответов в загруженных путеводителях, а не для общего чата или самостоятельного источника актуальных сведений. Качество и актуальность зависят от предоставленного текста; модель может ошибиться с вопросами о городе или ответить по-итальянски на вопрос, заданный на другом языке. Лицензия — CC BY-SA 4.0.

BrockportGPT-7b — дообученная модель семейства LLaMA 2, созданная для ответов на вопросы о Государственном университете Нью-Йорка в Брокпорте (SUNY Brockport). Для обучения использован синтетический набор вопросов и ответов, сформированный с помощью GPT-4 на основе сайта университета. Модель предназначена для диалоговых запросов об университете, например о подаче документов и доступных службах. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; максимальная длина контекста — 4096 токенов. Репозиторий содержит веса PyTorch, а метаданные указывают поддержку английского языка и генерации текста. README предупреждает, что качество ответов различается. Лицензия в предоставленных данных не указана.

Qwen3.5-35B-A3B-Correct — исследовательская донастройка Minbyul базовой модели Qwen/Qwen3.5-35B-A3B методом supervised fine-tuning. В обучении оставляли траектории веб-поискового агента, чьи итоговые ответы совпадали с эталоном по детерминированному правилу; сами траектории не редактировали. Модель предназначена для изучения отбора обучающих данных по корректности ответа, поведения при остановке и избыточных поисковых действий, а также может служить начальной точкой для продолжения обучения с RL. Это MoE-модель с примерно 35 млрд общих и 3 млрд активных параметров на токен. Она обучалась на многошаговых англоязычных сценариях веб-поиска с вызовами инструментов и контекстом до 131 072 токенов. Для работы ей нужна совместимая среда с инструментами веб-поиска, открытия страниц и поиска по странице; чат-шаблон и интерфейс вызова инструментов унаследованы от базовой модели. Репозиторий содержит веса bf16 в safetensors. Лицензия — Apache-2.0. Модель сохраняет корректные, но неэффективные траектории, поэтому сама по себе не устраняет избыточные повторные поиски и размышления. Она настроена на описанный интерфейс браузерного агента и не позиционируется как универсальный помощник. Дополнительное выравнивание безопасности сверх базовой модели не проводилось.

HemonChat — чат-модель на базе Llama 2, дообученная автором на онтологических данных HemOnc.org, посвящённых гематологии и онкологии. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 4096 токенов; для работы использует формат запросов Llama 2 Chat. Модель предназначена для общения на английском языке по тематике гематологии и онкологии, а также для образовательных и исследовательских экспериментов. Она может отвечать на вопросы и поддерживать диалог, используя знания, добавленные из онтологии HemOnc.org. Модель не проходила тщательную проверку и не подходит для производственного применения или предоставления медицинских рекомендаций. README ограничивает использование некоммерческими и исследовательскими целями; лицензия Llama 2 также содержит собственные условия.

Persian Water Regulations Qwen2.5-1.5B — компактная диалоговая языковая модель для ответов на вопросы о документе «Operational By-law and General Conditions of Water and Wastewater Tariffs». Она создана путём QLoRA и supervised fine-tuning базовой Qwen/Qwen2.5-1.5B-Instruct на персидских примерах в формате диалогов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 32 768 токенов; в репозитории доступны веса safetensors. Модель предназначена для демонстрации предметной адаптации и поиска ответов по положениям водных и канализационных тарифов, в том числе в образовательных и исследовательских сценариях. На небольшом наборе из 274 записей показатели текстового сходства улучшились относительно базовой модели, однако эти метрики не подтверждают юридическую точность ответов. Модель распространяется по лицензии Apache-2.0.

Это компактная разговорная модель для офлайн-помощника по путешествиям в Android-приложении Pocket Travel. Она основана на Qwen/Qwen3.5-0.8B: модель дообучили методом LoRA, объединили адаптер с базовыми весами и выпустили в формате GGUF с квантизацией Q4_K_M. По карточке модели, файл занимает около 505 МиБ; для работы с настройками приложения рекомендуется устройство с 4 ГБ оперативной памяти или больше. Контекст в описанном сценарии составляет 4096 токенов. Модель предназначена для ответов на вопросы по фрагментам туристического справочника, переданным в контексте. Она отвечает по-итальянски, максимум в трёх предложениях, и должна сообщать, если контекста недостаточно. Разработчик оценивал её на вопросах о странах и городах, включая запросы без ответа в контексте; результаты показывают более частые отказы на пустой контекст и вопросы не по теме, чем у базовой модели. Модель рассчитана на итальянский язык, а вопросы на других языках могут получить ответ по-итальянски. Ответы зависят от полноты и актуальности переданного справочника; сведения о ценах, часах работы, въезде и безопасности следует проверять по официальным источникам. В отдельных случаях модель может ответить на вопрос о городе без нужной информации в контексте или отказаться отвечать на вопрос о ближайших объектах. Модель распространяется по лицензии CC BY-SA 4.0.

Это дообученная модель Qwen/Qwen3.5-2B для офлайн-помощника путешественника в приложении Pocket Travel для Android. Модель принимает вопрос и контекст из загруженного путеводителя, отвечает по-итальянски не более чем тремя предложениями и должна сообщать, если контекста недостаточно. Она предназначена для сценария RAG на устройстве, а не для общего диалога или ответов без контекста. Модель создана методом LoRA дообучения, затем веса объединены и представлены в формате GGUF с квантизацией Q4_K_M для запуска через llama.cpp. При настройках приложения с контекстом 4096 токенов потребление памяти составляет около 1,9 ГиБ; автор рекомендует устройство с 6 ГБ ОЗУ или больше. По оценке автора, модель чаще отказывается отвечать на вопросы без достаточного контекста, чем базовая модель, хотя иногда отвечает на вопросы о городе, тема которых отсутствует в его странице, и может отказываться на вопросы о близлежащих местах при несовпадении формулировок. Обучение проводилось на синтетических италоязычных вопросах и ответах на основе путеводителей, справочных текстов и фактов Wikidata. Лицензия модели — CC BY-SA 4.0; ответы могут дословно воспроизводить исходные тексты. Сведения о ценах, часах работы, правилах въезда и безопасности следует проверять по официальным источникам.

AtmicIntelv1 — разговорная LoRA-модель на базе Phi-3 Mini, созданная для ответов о наставлениях Шри Раманы Махарши. Разработчик дообучил её методом QLoRA с последующей настройкой SFT и DPO на вопросах и ответах по каноническим текстам, включая «Кто я?», «Беседы с Шри Раманой Махарши» и «Улладу Нарпаду». Модель содержит 3,7 млрд параметров, использует архитектуру Phi-3 и рассчитана на контекст до 4096 токенов. Модель подходит для диалога и справочных ответов о самоисследовании Атма-вичара и философии адвайта-веданты. Обучение на проверенных учениях и предпочтениях ответов помогает удерживать ответы ближе к первоисточникам, однако модель может ошибаться или давать обобщённые ответы и не заменяет изучение текстов и консультацию специалиста. Репозиторий использует формат safetensors; лицензия — MIT.

Loom Spark 2 — компактная разговорная языковая модель Textile Labs с архитектурой Llama и 19,9 млн параметров. Она обучена с нуля за один час на настольном компьютере 2013 года; веса были случайно инициализированы, предварительно обученная базовая модель не использовалась. Модель принимает текст, поддерживает контекст длиной 512 токенов и предназначена для краткого общения, обозначения границ собственных знаний и запроса внешнего инструмента, когда требуется поиск. В карточке заявлена поддержка английского языка. Модель может отвечать на простые вопросы о своей идентичности, поддерживать разговор и отказываться от ответов на факты, которых не знает. В режиме работы с инструментом она формирует запрос для поиска, после чего может получить результат и продолжить ответ. В сравнительном тесте авторов она не запрашивала поиск для офлайн-вопросов в 30 пробах и успешно выполняла 10 из 10 простых онлайн-поисков. При этом качество ответов по переданным результатам низкое: модель часто выдумывает сведения вместо признания, что в источнике нет ответа; также у неё почти нет общих знаний. Авторы предупреждают, что ответы, основанные на результатах инструментов, необходимо проверять. Указана лицензия MIT; в README отдельно отмечены требования к атрибуции лицензий обучающих корпусов.

SeanWang0027 выпустил экспериментальный чекпойнт Qwen3-1.7B, обученный на SearchQA методом Guided-OPD с учителем Qwen3-32B. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров; репозиторий содержит экспорт шага обучения 200 в формате safetensors для Transformers. В метаданных указан контекст до 40 960 токенов и возможность диалогового взаимодействия. Модель обучалась для генерации ответов в сценарии SearchQA с ReAct-диалогом и поочерёдными ролями учителя и студента. Обучение использовало выключенный режим рассуждений, выборку из 6 000 вопросов и 200 шагов оптимизации; модель не оценивалась. Данные не подтверждают отдельные языки или специализированные области применения, поэтому её следует рассматривать как ранний экспериментальный чекпойнт, а не проверенное решение для поиска по вопросам. Лицензия в предоставленных данных не указана.

slm-125m-dpo — плотная авторегрессионная Llama-модель на 125,8 млн параметров, разработанная Prajwal55 как эксперимент по извлечению ответов из предоставленного текста в юридическом и финансовом контексте. Это DPO-дообучение модели prajwal55/slm-125m-sft на примерно 1 200 парах предпочтений; модель генерирует текст и рассчитана на короткий контекст длиной 1 024 токена. В эксперименте доля отказов на вопросах без ответа в отложенной выборке выросла до 60,3%, но модель также ошибочно отказывается от 26,3% вопросов, на которые текст отвечает, а token F1 снизился с 0,590 до 0,456. Автор прямо характеризует чекпойнт как исследовательский артефакт, непригодный для практического применения. Лицензия — MIT.

harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

Карточка модели RedHatAI/multilingual-e5-large на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

Карточка модели Hiveurban/multilingual-e5-large-pooled на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

Карточка модели sergabrr/tourrf-e5-large-full-v3 на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

Карточка модели OpenSite/forge на Hugging Face совпадает с карточкой Qwen/Qwen3-Embedding-8B, поэтому описание составлено по ней. Qwen3-Embedding-8B — текстовая модель эмбеддингов семейства Qwen3, разработанная командой Qwen. Это плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base для получения векторных представлений текста. Модель предназначена для семантического поиска и ранжирования, а также поддерживает классификацию, кластеризацию, поиск по коду и межъязыковой поиск. Модель поддерживает более 100 естественных и программных языков, обрабатывает длинные последовательности с контекстом до 40 960 токенов по метаданным и выдаёт эмбеддинги размерностью до 4096; README также сообщает о настройке выходной размерности от 32 до 4096. Можно задавать инструкции для конкретной задачи, языка или сценария. Модель рассчитана на получение векторов из текста; метаданные также отмечают возможности чата и интерфейс вызова инструментов, но основной сценарий этой версии — эмбеддинги. По данным карточки, версия 8B заняла первое место в мультиязычном рейтинге MTEB на 5 июня 2025 года с результатом 70,58. Для некоторых задач retrieval README отмечает снижение качества примерно на 1–5% без подходящей инструкции. Для работы с поддержкой Qwen3 требуется Transformers 4.51.0 или новее. Лицензия — Apache-2.0.

Карточка модели acul21/harrier-oss-v1-0.6b на Hugging Face совпадает с карточкой microsoft/harrier-oss-v1-0.6b, поэтому описание составлено по ней. harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

onnx-community/harrier-oss-v1-0.6b-ONNX — ONNX-версия мультиязычной модели для получения текстовых эмбеддингов, разработанной Microsoft. Модель предназначена для поиска и извлечения релевантных документов, кластеризации, оценки семантического сходства, классификации, поиска параллельных предложений и переранжирования. Она поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский, немецкий, французский и многие другие. Модель построена на decoder-only архитектуре и использует pooling по последнему непустому токену с последующей L2-нормализацией. Версия имеет около 0,6 млрд параметров, размерность эмбеддинга 1024 и поддерживает контекст до 32 768 токенов. Обучение выполнялось с использованием контрастивного обучения на крупной смеси мультиязычных наборов данных; для вариантов на 270 млн и 0,6 млрд параметров дополнительно применялась дистилляция знаний от более крупных моделей. Заявленный результат на Multilingual MTEB v2 составляет 69,0. Сильными сторонами являются широкий охват языков, большой контекст, универсальность для задач семантического поиска и сопоставления текстов, а также возможность запуска через Transformers.js, в том числе в браузере с WebGPU и квантованием. Для запросов рекомендуется добавлять однострочную инструкцию с описанием задачи, тогда как для документов инструкции не требуются; их отсутствие для запросов может снижать качество. Модель предназначена для работы с текстом и не поддерживает другие модальности. Распространяется по лицензии MIT.

harrier-oss-v1-270m — разработанная Microsoft мультиязычная модель для получения плотных текстовых эмбеддингов. Она использует декодерную архитектуру Gemma 3 Text с пуллингом последнего токена и L2-нормализацией. Размер модели — 257 млн параметров по метаданным; размерность эмбеддингов — 640, максимальный контекст — 32 768 токенов. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, кластеризации, классификации, поиска параллельных фрагментов и ранжирования. Для адаптации эмбеддингов к сценарию README рекомендует добавлять к запросу краткую инструкцию; для документов инструкции не требуются. Модель обучалась контрастивным методом на мультиязычных данных, а вариант на 270 млн параметров дополнительно обучался с дистилляцией от более крупных моделей. Заявлена поддержка широкого набора языков, включая русский; перечисленные в карточке языки не исчерпывают весь список. Лицензия — MIT. README сообщает о высоких результатах на Multilingual MTEB v2, но воспроизведённые оценки могут немного различаться в зависимости от версий Transformers и PyTorch.

llama-embed-nemotron-8b — мультиязычная модель текстовых эмбеддингов, разработанная NVIDIA для поиска и сопоставления текстов. Она предназначена для исследовательских систем RAG, семантического поиска, ранжирования и классификации текстовых данных, включая поиск между языками. Модель основана на архитектуре Llama 3.1 8B с двунаправленным вниманием и содержит около 7,5 млрд параметров. Она независимо кодирует запросы и документы и выдаёт для каждого текста вектор размерности 4096. Контекст составляет до 131 072 токенов. Для запросов при поиске рекомендуется добавлять инструкцию по шаблону «Instruct: …\nQuery: …», а документы подавать без специального оформления. Модель показала высокие результаты на мультиязычном бенчмарке MTEB по состоянию на октябрь 2025 года. Она поддерживает извлечение признаков и оценку сходства предложений; для запуска ориентирована на GPU и совместима с инструментами NVIDIA. Лицензия ограничивает использование некоммерческими и исследовательскими целями.

Карточка модели onelevelstudio/ML-E5-0.6B на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

Multilingual-E5-base — многоязычная модель эмбеддингов текста семейства E5, представленная в техническом отчёте Liang Wang и соавторов. Это плотная модель на архитектуре XLM-RoBERTa с 12 слоями, размерностью эмбеддинга 768 и 305,2 млн параметров; карточка указывает, что она основана на xlm-roberta-base и дополнительно обучена на смеси многоязычных наборов данных. Модель преобразует текст в векторы для поиска по смыслу и сравнения предложений; доступны форматы PyTorch, Safetensors, ONNX и OpenVINO. Она подходит для многоязычного семантического поиска, извлечения passages по запросам, оценки сходства предложений, поиска перефразировок и получения признаков для кластеризации или классификации. Для корректной работы с задачами поиска и сходства README рекомендует добавлять префикс «query: »; для асимметричного поиска passages используется также «passage: ». Указан контекст до 514 токенов в метаданных, а README предупреждает об усечении длинного текста до 512 токенов. Заявлена поддержка 100 языков XLM-RoBERTa, при этом для языков с малым объёмом ресурсов качество может снижаться. Модель рассчитана на прикладное использование в задачах поиска и сходства; лицензия — MIT.

Multilingual-E5-base — модель текстовых эмбеддингов на архитектуре XLM-RoBERTa, основанная на xlm-roberta-base и дополнительно обученная на смеси многоязычных данных методом контрастивного обучения. В карточке указаны 12 слоёв и размер эмбеддинга 768; метаданные указывают около 305,2 млн параметров и контекст до 514 токенов. Модель предназначена для получения векторных представлений запросов и текстов, семантического сравнения, поиска и ранжирования документов, в том числе в многоязычных сценариях. Модель поддерживает 100 языков семейства XLM-RoBERTa; в метаданных явно перечислены языковые коды для части языков. Для асимметричного поиска следует добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач и получения признаков рекомендуется префикс «query: ». Длинные входы обрезаются до 512 токенов, а качество может быть ниже для языков с малым объёмом ресурсов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и ONNX; лицензия — MIT.