I.2Синтез, понимание и проверка знаний

Decision-1.0-Kai-0.6B — модель принятия решений из линейки Open Decision Foundation Models от llm-semantic-router. Она совместно анализирует контекст, вопросы и описания вариантов, чтобы выбирать действие или категорию, оценивать истинность условия и выставлять оценки по упорядоченной шкале. Результаты выдаются структурированно, с распределениями вероятностей; модель не генерирует текстовый ответ.

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов. Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

HelpingAI-Lite-4x1b — языковая модель семейства Mixtral, созданная Abhaykoul как MoE-объединение четырёх моделей с помощью VortexMerge kit. Эксперты включают OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T; в конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, режим маршрутизации cheap_embed и точность float16. Модель предназначена для диалогового общения, общих запросов и помощи с кодом. В метаданных указаны 1 млрд параметров, контекст до 2048 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Распространяется по лицензии Apache-2.0. README описывает объединение моделей, но не приводит сравнительных оценок качества или подробностей о поведении маршрутизатора.

HRM-Embed-0.6b — модель для создания текстовых эмбеддингов, разработанная на основе архитектуры Hierarchical Reasoning Model (HRM) от Sapient Intelligence и дообученная контрастивным методом на базе Xiaoye08/HRM-Text-0.6B. Она формирует 1280-мерные L2-нормализованные векторы: для этого применяется двунаправленное кодирование, усреднение финального состояния рекуррентной архитектуры и нормализация. В модели около 610,8 млн параметров; максимальная длина контекста — 4096 токенов. Модель предназначена для семантического поиска и извлечения документов, в том числе в сценариях, где запросы требуют рассуждений. В тестах BRIGHT сильнее всего показала себя при поиске теорем, определений и справочных сведений, а также в научных вопросах по биологии и психологии. Переформулирование запроса внешней языковой моделью заметно повышает результаты на этом бенчмарке; для поиска кода переформулирование может ухудшить качество. Модель поддерживает английский язык. Это эмбеддер, а не генератор: обычная загрузка без описанного в карточке рецепта не даёт корректных эмбеддингов, а генерация текста не предназначена для использования. Модель опубликована под лицензией Apache-2.0.

quarkss/indobert-base-stsb — модель Sentence Transformers, дообученная автором quarkss на indobenchmark/indobert-base-p2 для оценки семантического сходства предложений на индонезийском языке. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусной мере. Архитектура включает BERT и усредняющий пулинг токенов, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки сходства на STSB, но их переносимость на другие наборы данных и сценарии не гарантируется. Для работы с моделью используется библиотека Sentence Transformers. Веса доступны в формате safetensors; условия лицензии в предоставленных данных не описаны.

INTELLECT-1-step-28600 — промежуточный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с Arcee AI и независимыми участниками сообщества. Это плотная авторегрессионная модель семейства Llama с 9,7 млрд параметров; в карточке указаны 42 слоя и 32 головы внимания. Чекпойнт получен на шаге 28 600 обучения модели с нуля на корпусах английского текста и кода, включая образовательные материалы, веб-текст, код и математические данные. Модель предназначена для генерации текста и кода на английском языке. Контекст составляет 8192 токена. Обучение INTELLECT-1 проводилось распределённо на вычислительных узлах в нескольких регионах с применением отказоустойчивой инфраструктуры; этот репозиторий содержит именно промежуточную точку обучения, а не финальную или instruct-версию. Лицензия — Apache 2.0.

InternVL3.5-30B-A3B-Instruct — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab и представленная в формате Transformers. Это дообученная версия InternVL3_5-30B-A3B-Pretrained с архитектурой InternVLChatModel; репозиторий содержит веса в safetensors и распространяется по лицензии Apache-2.0. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для диалога по изображениям, визуального рассуждения и решения задач на понимание текста в изображениях; семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. README описывает Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. В названии указана конфигурация 30B-A3B; README сообщает, что модели семейства до 30B параметров могут работать на одной GPU A100. Карточка не уточняет длину контекста и языки помимо общего указания на многоязычность в метаданных. Ограничения, связанные с точностью или безопасностью, для этой конкретной версии не описаны.

MLX-версия K2-Horizon-0.9B от сообщества mlx-community, преобразованная из IFM/K2-Horizon-0.9B в формат bf16 без квантизации. Это плотная авторегрессионная модель-декодер с 924,5 млн параметров, предназначенная для генерации текста в диалоговом режиме. Метаданные каталога относят базовую модель к компактным моделям для рассуждений, математики, программирования и STEM; карточка описывает преобразование весов в MLX для запуска на Apple silicon. Метаданные указывают контекст 8192 токена, тогда как README базовой модели сообщает о контексте до 131 072 токенов с YaRN RoPE scaling. README сообщает о проверке соответствия реализации PyTorch на реальных весах и о тестовом запуске на MLX. Для работы требуется mlx-lm и код архитектуры из репозитория; в некоторых версиях mlx-lm нужен флаг trust_remote_code. Лицензия — Apache-2.0.

LaSER-Qwen3-8B-i1-GGUF — это GGUF-квантизированная версия модели LaSER-Qwen3-8B, разработанной Alibaba-NLP и дополнительно подготовленной к публикации mradermacher. Модель предназначена прежде всего для плотного поиска, построения эмбеддингов, извлечения признаков и задач информационного поиска, включая сценарии семантического сопоставления документов и запросов. В README указано, что она обучалась с использованием набора данных jinjiajie/LaSER-Training. Модель относится к семейству Qwen3 и имеет размер 8B параметров; точные сведения об архитектуре, длине контекста, поддерживаемых модальностях и языках, кроме английского, не приведены. Доступны варианты квантизации i1 с размерами примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Низкоразрядные варианты могут заметно терять в качестве, тогда как i1-Q4_K_M обозначен как быстрый и рекомендуемый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Лицензия модели — MIT.

sahilchachra/Laya-Multilingual-MXFP8 — квантованный мультиязычный энкодер ModernBERT, подготовленный автором репозитория на основе convaiinnovations/laya для запуска через MLX на Apple Silicon. Модель содержит около 306,9 млн параметров, использует MXFP8 и рассчитана на контекст до 8192 токенов. Она предназначена для извлечения признаков из текста и создания пользовательских MLX-голов; это двунаправленный энкодер, а не генеративная чат-модель. Репозиторий включает только энкодер: отдельная голова принятия решений из исходного Laya здесь не опубликована, поэтому для API Laya требуется upstream-репозиторий. README сообщает о поддержке более 100 языков через основу mmBERT. Проверка на небольшом наборе показала заметный дрейф скрытых состояний после квантования и возможное изменение результата при близких оценках; для точных или чувствительных к калибровке решений рекомендуется исходная версия bf16/fp32. Файлы опубликованы в формате safetensors; условия лицензии в предоставленных данных не описаны.

Мультимодальная модель-реранкер NVIDIA для поиска документов, содержащих ответ на текстовый запрос. Она оценивает пары «запрос — документ» и возвращает логит релевантности, чтобы переупорядочить кандидатов, найденных поисковой или векторной системой, в том числе в конвейере vision RAG. Документы могут быть представлены текстом, изображением страницы или слайда либо их сочетанием; модель рассчитана на работу с текстом, таблицами, диаграммами и инфографикой. Модель построена как cross-encoder на архитектуре Eagle VLM: визуальный энкодер SigLIP 2 на 400 млн параметров сочетается с языковой моделью семейства Llama Nemotron. В карточке указано около 1,7 млрд параметров; выход декодера агрегируется усреднением, а ранжирование выполняет дообученная бинарная классификационная голова. Для обучения использовались изображения и контекст до 2048 токенов; при оценке заявлены текстовые, визуальные и комбинированные входы, контекст до 10240 токенов и до шести тайлов изображения. Длинные входы обрезаются. Модель предназначена для повышения качества мультимодального поиска и ответов на вопросы по большим корпусам, когда нужно переоценить ограниченный набор кандидатов; запуск на всех документах корпуса не масштабируется. NVIDIA сообщает о готовности к коммерческому использованию. Лицензия в метаданных указана как other, а конкретные условия использования в предоставленных сведениях не раскрыты.

Это объединённая методом TIES модель семейства Llama 3.2, созданная с помощью mergekit на базе meta-llama/Llama-3.2-1B. В объединение вошли инструкция-настроенные и специализированные варианты Llama 3.2 1B, в том числе модели для медицинских вопросов, математики, программирования, SQL, commonsense QA и китайского языка. Модель содержит 1,2 млрд параметров и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель может быть полезна для диалогов и ответов на вопросы, включая медицинские, математические и общеобразовательные запросы, а также для генерации SQL и кода. Состав объединения предполагает широкий набор навыков, но карточка не приводит оценок качества или сравнительных тестов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

MiniCPM-o-2_6-GGUF — квантованная в формате GGUF версия мультимодальной модели MiniCPM-o-2_6, разработанной командой OpenBMB. Квантизацию выполнил bartowski на основе llama.cpp версии b4585. Модель предназначена для мультимодального взаимодействия, включая анализ изображений, оптическое распознавание текста, работу с несколькими изображениями и видео, а также задачи, связанные с речью и аудио: распознавание речи, синтез речи, клонирование голоса и потоковые голосовые диалоги в реальном времени. Модель поддерживает изображения с произвольным соотношением сторон объёмом до 1,8 млн пикселей, например 1344×1344. Она заявлена как end-to-end omni-модальная и мультиязычная; README также указывает поддержку vision, audio и speech, но не перечисляет конкретные языки, размер модели, точную архитектуру или максимальную длину текстового контекста. Формат GGUF и совместимость с llama.cpp делают модель ориентированной на локальный запуск, включая сценарии на мобильных устройствах, однако требования к памяти и производительность зависят от варианта квантизации и оборудования. Сильными сторонами являются сочетание обработки изображений, видео, аудио и речи, поддержка потокового мультимодального взаимодействия и работа с изображениями высокого разрешения. Возможные ограничения — зависимость качества и скорости от квантизации и локальной инфраструктуры, а также риск неточных или неподходящих ответов, характерный для мультимодальных моделей. В README не указана лицензия модели, поэтому условия её использования следует уточнять в документации оригинальной модели MiniCPM-o-2_6 и соответствующего GGUF-файла.

MiniCPM-o 4.5 — мультимодальная модель с 7,6 млрд параметров от OpenBMB. Она объединяет языковую модель Qwen3-8B с компонентами для зрения и речи в сквозной архитектуре MiniCPMO и предназначена для диалога с изображениями, аудио и видео, включая обработку потоков в реальном времени. Модель принимает изображения высокого разрешения, аудио и видео, а также может одновременно обрабатывать непрерывные аудио- и видеопотоки и выдавать текст и речь. Поддерживает распознавание документов, двуязычный речевой диалог на английском и китайском языках, настройку голоса, клонирование голоса по образцу и проактивные комментарии к происходящему. Контекст — до 40 960 токенов; заявлена поддержка более 30 языков. В README описаны режимы instruct и thinking, обработка изображений до 1,8 млн пикселей и видео до 10 кадров в секунду. Модель подходит для мультимодальных помощников, анализа изображений и видео, OCR и голосового взаимодействия в реальном времени. Возможности и скорость зависят от способа запуска и оборудования; README рекомендует для базового вывода PyTorch на GPU NVIDIA и предупреждает о возможной несовместимости версий Transformers. Лицензия — Apache-2.0.

nreimers/mmarco-mMiniLMv2-L6-H384-v1 — мультиязычная модель перекрёстного ранжирования текстовых пар, опубликованная под именем nreimers. Она оценивает релевантность пары «запрос — документ» и предназначена для поиска информации и семантического поиска, в том числе в многоязычных сценариях. Модель построена на архитектуре XLM-RoBERTa и содержит около 110,2 млн параметров; максимальная длина контекста по метаданным — 514 токенов. Карточка Hugging Face помечает её как text-classification, а поиск по карточке родственной версии семейства подтверждает применение mmarco-mMiniLMv2 для многоязычного поиска и ранжирования. Лицензионные условия в доступных данных не подтверждены.

ModernGBERT 1B — немецкоязычная модель-энкодер семейства ModernBERT, разработанная LSX-UniWue. Она содержит 1,1 млрд параметров, использует архитектуру BERT с маскированным языковым моделированием и обрабатывает последовательности длиной до 8 192 токенов. Модель предварительно обучена на немецкой части RedPajama V2 объёмом 1,27 трлн токенов; также в метаданных указан датасет LSX-UniWue/LLaMmlein-Dataset. Модель предназначена для извлечения признаков и эмбеддингов, а также задач понимания немецкого текста. Её можно применять для семантического поиска, оценки релевантности и дообучения под классификацию токенов; README показывает использование с Transformers и PEFT/LoRA. В бенчмарках авторов модель получила средние оценки 0,808 на SuperGLEBer и 0,551 на немецком MTEB после дополнительного unsupervised fine-tuning на немецкой части mMARCO. Модель распространяется в форматах PyTorch и Safetensors, лицензия обозначена как other. Она является энкодером с маскированным языковым моделированием, поэтому не предназначена для свободной авторегрессионной генерации текста. Указанные результаты MTEB получены после дополнительного дообучения, что следует учитывать при сравнении.

cross-encoder/ms-marco-MiniLM-L4-v2 — англоязычная модель Sentence Transformers для переранжирования результатов поиска. Она обучена на задаче ранжирования отрывков MS MARCO и оценивает релевантность пары «запрос — текст», после чего найденные документы можно отсортировать по оценке. Модель построена на архитектуре BERT с классом BertForSequenceClassification и содержит 21,2 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для этапа reranking в системах информационного поиска: сначала поисковик извлекает кандидатов, затем cross-encoder оценивает каждую пару запроса и отрывка. Она подходит для улучшения порядка результатов поиска и оценки релевантности; README также приводит сравнительные показатели моделей семейства на наборах TREC Deep Learning 2019 и MS MARCO, но не показывает численные результаты именно этой версии L4-v2. Поддерживаются форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе архитектуры BERT, доступная через библиотеку Transformers и предназначенная для извлечения признаков из входных данных. Репозиторий также описывает улучшения в рассуждениях, математике, программировании, классификации, суммаризации и работе с диалогами, однако метаданные Hugging Face классифицируют модель как feature-extraction. Модель может использоваться для преобразования текста в векторные представления, последующей классификации, поиска семантически похожих документов и других задач, основанных на признаках из Transformer-моделей. В README заявлены сниженная частота галлюцинаций и поддержка function calling, но подробные сведения о размере модели, контекстном окне, языках и точном формате запуска отсутствуют. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель для извлечения признаков из текста, опубликованная в репозитории toolathlon5/MyAwesomeModel-TestRepo. По метаданным она использует архитектурное семейство BERT, работает с библиотекой Transformers и предназначена для получения векторных представлений текста. Модель можно применять как компонент конвейеров машинного обучения для семантического поиска, кластеризации, классификации и других задач, где нужны эмбеддинги или скрытые представления текста. В README также заявлены возможности рассуждения, генерации кода, диалога и работы с функциями, однако эти сведения не подтверждаются основным pipeline-тегом feature-extraction и поэтому не рассматриваются как надёжно подтверждённые характеристики модели. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны. Модель распространяется по лицензии MIT.

Это экспериментальный внутренний чекпойнт Nemotron-3-Nano-30B-A3B от NVIDIA, подготовленный в варианте routed experts со средним размером весов экспертов 2,0217 бита. Остальные веса хранятся в BF16; все веса представлены тензорами BF16 после деквантизации. Модель загружается через стандартные Transformers и vLLM. Чекпойнт предназначен для генерации текста и диалоговых сценариев на основе NVIDIA Nemotron-3-Nano-30B-A3B-BF16. В метаданных указаны контекст до 262 144 токенов и интерфейс вызова инструментов; исходная модель описана как подходящая для диалогов, рассуждений, программирования и агентных приложений. В README точное качество и результаты оценки этого внутреннего варианта не приведены. Модель является дообученной производной от nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16. Лицензия соответствует лицензии базовой модели; конкретные условия следует сверять с её карточкой.

Occiglot-7B-EU5 — базовая многоязычная генеративная языковая модель, разработанная Occiglot Research Collective. Это плотный авторегрессионный трансформер с архитектурой Mistral и 7,1 млрд параметров. Модель создана продолжительным предобучением Mistral-7B-v0.1 на 293 млрд дополнительных токенов многоязычных данных и кода; максимальная длина контекста по метаданным — 32 768 токенов. Модель предназначена для генерации и продолжения текста на английском, немецком, испанском, французском и итальянском языках, а также для работы с кодом. Её можно использовать как основу для собственных дообучений и оценок. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалога или чат-приложений; для таких сценариев авторы предлагают вариант Occiglot-7B-EU5-Instruct. Лицензия — Apache 2.0.

elprofessor67 дообучил мультимодальную модель Qwen3-VL-32B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3-VL на 32 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и интерфейс вызова инструментов. Её можно применять для вопросов по изображениям, распознавания текста на изображениях и анализа визуальных материалов. В метаданных указан английский язык карточки модели, но специальных данных о языковой специализации дообучения нет. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные обучающие данные, результаты оценки качества или ограничения дообученной версии; возможности и качество отдельных задач поэтому следует проверять на целевых данных.

Qwen3.6-35B-A3B-Razor-28B-A3B-E192of256 — производная от Qwen/Qwen3.6-35B-A3B модель с разреженной архитектурой Mixture-of-Experts, созданная с помощью безобучающего метода RAZOR. В каждом MoE-слое сохранены 192 из 256 маршрутизируемых экспертов; общее число параметров сокращено до 27,7 млрд, из них около 3 млрд активны на токен. Параметры сохранённых экспертов взяты из базовой модели, без градиентного дообучения или восстановительного обучения. Модель предназначена для диалоговой генерации текста и вызова инструментов через интерфейс Transformers. RAZOR отбирает экспертов по оценке того, насколько оставшаяся вычислительная смесь может заменить функцию удаляемого эксперта. Сокращается объём хранения экспертов, тогда как вычисления на токен остаются примерно прежними. Для запуска нужна версия Transformers с реализацией qwen3_5_moe; веса представлены в bfloat16. Обрезка экспертов неизбежно теряет часть поведения: ответы могут отличаться разнообразием, форматированием и завершением, даже если точность по задачам в целом сохраняется. Поведение на областях, далёких от конечного калибровочного набора, не охарактеризовано. Лицензия — Apache-2.0.

Карточка модели Steve0927/qwen3-embedding-0.6b-lrat-trajectory-graph-calibrated-v1 на Hugging Face совпадает с карточкой Steve0927/qwen3-embedding-0.6b-lrat-annwinner-extrap-a125-soup-a50-v1, поэтому описание составлено по ней. Это плотная модель для поиска по тексту, дообученная Steve0927 на базе Qwen3-Embedding-0.6B в рамках эксперимента для соревнования XIR 1170. Она создаёт эмбеддинги запросов и документов, чтобы находить семантически близкие документы и строить поиск по траекториям. Чекпойнт обучен на 91 324 строках, связанных с траекториями и связями запрос–документ; README сообщает, что внешние запросы, ответы и документы, а также лидербордные запросы и скрытые результаты не использовались.

mlx-community/Qwen3-VL-Embedding-2B-mxfp8 — преобразованная в формат MLX модель эмбеддингов на основе Qwen3-VL-Embedding-2B. Она предназначена для получения векторных представлений мультимодальных данных и их использования в поиске и сравнении по смыслу. В README указана конвертация исходной модели Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm; метаданные также связывают репозиторий с Qwen/Qwen3-VL-2B-Instruct и указывают архитектуру Qwen3-VL с 2B-параметрической базовой моделью.

Tirth2109 разработал qwen-indic-v1 — дообученную с помощью LoRA модель Qwen3-Embedding-8B для создания текстовых эмбеддингов на индийских языках. Модель использует pooling по последнему токену и L2-нормализацию векторов; размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и сравнения сходства предложений. README сообщает о 22 индийских языках в расписании обучения, а метаданные карточки перечисляют хинди, бенгальский, тамильский и урду. Обучение проводилось на обучающих частях данных с очисткой от пересечений с тестовыми наборами MTEB. Модель распространяется в формате safetensors по лицензии Apache-2.0. Известные ограничения: подробности качества по отдельным языкам и результаты оценивания в карточке не приведены.

ReasonEmbed — модель текстовых эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и дообучена с функцией потерь RI-InfoNCE на синтетических данных; контекст модели составляет 131 072 токена. На бенчмарке BRIGHT модель показала nDCG@10 36,2 при использовании исходных запросов. Она предназначена для извлечения эмбеддингов текста и оценки сходства предложений, в частности для поиска по сложным запросам. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без соответствующих прав.

sergeyzh/rubert-mini-uncased-query — компактный BERT-энкодер, разработанный для симметричного сравнения поисковых запросов. Это дообученная версия sergeyzh/rubert-mini-uncased, обученная дистилляцией эмбеддингов русских и английских текстов с учётом префикса Qwen/Qwen3-Embedding-8B. Модель имеет 38,8 млн параметров, 7 слоёв, размер эмбеддинга 384 и контекст до 512 токенов; регистр букв не учитывается, специальные префиксы для запросов не нужны. Модель предназначена для оценки семантического сходства запросов, кэширования и фильтрации повторяющихся или близких запросов к LLM, а также для сценариев Q2Q RAG. Карточка сообщает об оценке сходства пар поисковых запросов на русском языке относительно Qwen/Qwen3-Embedding-8B; приведённые в таблице метрики относятся к другим вариантам модели и не позволяют судить о точных показателях этой версии. Модель принимает текст и выдаёт векторные представления для сравнения. Поддерживаются русский и английский языки. Лицензия — MIT.

SauerkrautLM-Multi-ColBERT-33m — компактная модель позднего взаимодействия для поиска и сопоставления текстов, разработанная VAGOsolutions. Она использует архитектуру ColBERT на базе BERT с 33–34,7 млн параметров и обучалась на 8,2 млрд токенов с дистилляцией знаний от моделей-реранкеров. Для оценки релевантности применяется MaxSim, а выходные представления имеют размерность 128. Модель рассчитана на запросы до 256 токенов и документы до 8192 токенов. Модель предназначена для многоязычного поиска, семантического сопоставления запросов и документов и построения поисковых систем, в том числе с ограниченными вычислительными ресурсами. В первую очередь она поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки; обучение включало многоязычный этап и дополнительный этап на английских данных. Лицензия — Apache 2.0.

Huffon/sentence-klue-roberta-base — модель на базе RoBERTa для получения векторных представлений предложений и текстов. Она использует подход Sentence-BERT с сиамскими сетями и предназначена для работы с библиотекой Sentence-Transformers. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель рассчитана на корейский язык и обучена на данных KLUE. Её можно применять для сравнения семантической близости предложений и извлечения текстовых эмбеддингов для поиска и группировки. В репозитории представлены веса PyTorch. Условия лицензии в предоставленных данных не указаны.