I.2Синтез, понимание и проверка знаний

FairyR1-14B-Preview — языковая модель с рассуждениями, разработанная PKU-DS-LAB на основе DeepSeek-R1-Distill-Qwen-14B. Это плотная модель семейства Qwen2 с 14 млрд параметров, предназначенная для генерации текста и диалогов; в обучении особое внимание уделено математике и программированию. Указанная в метаданных длина контекста — 131 072 токена. Модель создана с помощью дообучения отдельных математического и кодового экспертов на дистиллированных цепочках рассуждений с последующим объединением их весов. В README приведены результаты на AIME 2024 и 2025, LiveCodeBench и GPQA-Diamond; они отражают тестирование авторов и не гарантируют аналогичного качества на других задачах. Поддерживаются английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Это предварительно обученная модель векторных представлений fastText для эстонского языка, опубликованная Facebook. Она предназначена для преобразования слов и текстовых фрагментов в векторы, которые можно использовать в классификации текста, определении языка и вычислении семантического сходства. Модель построена на fastText и обучена методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Векторы имеют размерность 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычном процессоре и подходит для прототипирования и применения в продукционных системах. Модель предназначена для работы с текстом на эстонском языке. В README отмечено, что предсказания могут отражать смещения, присутствующие в обучающих данных. Лицензия — CC BY-SA 3.0.

Это дообученная модель Gemma 4 E2B IT, созданная armand0e на базе unsloth/gemma-4-E2B-it с помощью Unsloth и библиотеки TRL. Она предназначена для диалогового взаимодействия и представлена как дистилляция рассуждений Claude Opus; README сообщает об ускоренном обучении, но не описывает обучающие данные или методику дистилляции. Модель относится к семейству Gemma 4, имеет плотную архитектуру условной генерации и опубликована в формате safetensors. Метаданные указывают на интерфейс для чата и вызова инструментов, а также на задачу any-to-any. Лицензия — Apache-2.0. Подробности о размере, контексте и поддерживаемых языках в предоставленных данных отсутствуют.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.

jina-reranker-v3.5-GGUF — это квантизированная GGUF-версия мультиязычной listwise-модели переранжирования jina-reranker-v3.5, разработанной Jina AI. Модель предназначена для оценки релевантности документов относительно поискового запроса и улучшения результатов информационного поиска, включая доменно-ориентированные сценарии. Она может использоваться локально через llama.cpp и Python-обёртку GGUFReranker. Модель работает с текстом и поддерживает мультиязычные входные данные. В основе используется архитектура с гибридным вниманием и само-дистилляцией; исходная реализация требует некаузального режима encoder и отдельного MLP-проектора. Доступны варианты квантизации от BF16 до низкобитных IQ- и Q-форматов размером примерно от 1,2 ГБ до 199 МБ. Для работы также необходимы projector.safetensors, tokenizer.json, совместимая сборка llama-embedding и зависимости Python; официальная версия llama.cpp на момент описания не поддерживает все требуемые функции. К сильным сторонам относятся мультиязычность, возможность listwise-переранжирования и широкий выбор вариантов квантизации для различного баланса качества и потребления памяти. Ограничениями являются необходимость специальной сборки llama.cpp, отдельных файлов проектора и токенизатора, а также потенциальная потеря качества в низкобитных вариантах. Модель и её GGUF-реализация распространяются по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

KaLM-Reranker-V1-Large — мультиязычный реранкер KaLM-Embedding на базе encoder-decoder архитектуры T5Gemma2, дообученной на Google T5Gemma 2 4B. Модель оценивает релевантность документов запросу и упорядочивает их по соответствию запросу; она предназначена для поиска, retrieval-augmented generation (RAG) и других систем, где нужно выбрать наиболее полезные фрагменты из корпуса. Модель использует 4 млрд активируемых параметров, 34 слоя и поддерживает последовательности длиной до 128 тыс. токенов. В архитектуре разделены вычисления для запросов и документов: энкодер предварительно кодирует документы с Matryoshka pooling, а декодер учитывает инструкции и намерение запроса; cross-attention сохраняет взаимодействие между запросом и представлениями документов. По описанию авторов, модель показывает конкурентные результаты на BEIR, MIRACL и LMEB, при этом заявленная эффективность связана с уменьшением вычислений при ранжировании. Модель принимает текстовые запросы и документы и выдаёт оценки релевантности для их ранжирования. Метаданные отмечают мультиязычность; README сообщает о результатах на мультиязычном MIRACL, хотя модель не обучалась на большом объёме мультиязычных данных. В README приведены параметры реализации, допускающие ограничение длины запроса и документа при инференсе. Лицензия — Apache-2.0.

KaLM-Reranker-V1-Large-R2 — модель-реранкер семейства KaLM от разработчиков KaLM-Embedding, дообученная на базе google/t5gemma-2-4b-4b. Она оценивает релевантность документов запросу и предназначена для повторной сортировки кандидатов в поиске и RAG-системах. Архитектура FBNL использует encoder-decoder T5Gemma2; размер Large — около 4 млрд активируемых параметров, поддерживается контекст до 128 тыс. токенов. Модель поддерживает многоязычное ранжирование и Matryoshka pooling с коэффициентом сжатия от 1x до 128x. Меняя сжатие и применяя каскадную схему coarse-to-fine, можно регулировать вычислительные затраты при ранжировании большого числа кандидатов. В README приведены результаты на BEIR и MIRACL; они указывают на улучшение относительно предыдущей версии, включая устойчивость к сильному сжатию. Модель принимает текстовые запросы и документы, а выдаёт оценки релевантности для сортировки. Она не предназначена для генерации свободного текста. Лицензия — Apache-2.0. Результаты бенчмарков не гарантируют такую же точность на конкретных данных; качество следует оценивать на целевом поисковом корпусе.

KaLM-Reranker-V1-Nano-R2 — компактная модель ранжирования документов из семейства KaLM-Reranker, разработанная авторами KaLM-Embedding. Это дообученная версия encoder-decoder модели Google T5Gemma2; вариант Nano имеет 0,27 млрд активируемых параметров и поддерживает контекст до 128 тыс. токенов. Модель оценивает релевантность документа запросу и предназначена для повторной сортировки результатов поиска, в том числе в многоязычных системах и RAG-конвейерах. Модель использует архитектуру fast-but-not-late-interaction и поддерживает Matryoshka pooling с коэффициентом сжатия от 1x до 128x. Это позволяет выбирать компромисс между расходом вычислений и качеством ранжирования, а также сначала отбирать кандидатов по сжатым представлениям и затем уточнять порядок наиболее перспективных документов. В README приведены результаты на наборах BEIR и MIRACL, включая многоязычные сценарии. Модель принимает текст запроса и документа и выдаёт оценку релевантности, поэтому подходит для ранжирования кандидатов поиска, улучшения выдачи RAG и многоязычного поиска по документам. Лицензия — Apache-2.0. Качество зависит от языка, предметной области и выбранного коэффициента сжатия; при большем сжатии метрики в приведённых тестах снижаются.

cfokmu/klue-roberta-base-klue-sts — модель эмбеддингов предложений на базе RoBERTa, опубликованная сообществом cfokmu. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель использует архитектуру RoBERTa с 137,8 млн параметров; для вычисления эмбеддингов применяется pooling поверх контекстных представлений токенов. Максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Карточка указывает обучение с CosineSimilarityLoss; данные подтверждают назначение для KLUE/ST​S, поэтому основным языком является корейский. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

KoE5 — модель для создания плотных текстовых эмбеддингов, разработанная NLP&AI Lab. Она дообучена на базе intfloat/multilingual-e5-large на более чем 700 тысячах корейских пар «запрос — документ» из набора ko-triplet-v1.0 с функцией потерь CachedMultipleNegativesRankingLoss и предназначена прежде всего для поиска по корейским текстам. Модель построена на XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерности 1024. Контекст ограничен 512 токенами. Эмбеддинги подходят для семантического поиска, ранжирования документов, оценки сходства, поиска перефразировок и кластеризации. Для поиска по паре «запрос — документ» рекомендуется добавлять префиксы «query: » и «passage: », а для симметричных задач и использования эмбеддингов как признаков — «query: ». Заявлена поддержка корейского и английского языков; обучение и основная специализация модели связаны с корейским поиском. Лицензия — MIT. Длинные тексты обрезаются до 512 токенов, а отсутствие рекомендованных префиксов может снизить качество.

smartmind/ko-sbert-augSTS-maxlength512 — модель эмбеддингов предложений на базе BERT, опубликованная smartmind. Она преобразует предложения и абзацы на корейском языке в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Вариант основан на snunlp/KR-SBERT-V40K-klueNLI-augSTS и поддерживает входную последовательность длиной до 512 токенов. Модель подходит для семантического поиска и группировки корейских текстов, а также может использоваться как представление текста в задачах классификации документов. В README приведён результат 0,8628 для KR-SBERT-V40K-klueNLI-augSTS в сравнении моделей на задаче классификации документов; этот показатель не следует считать гарантией качества для данного репозитория или иных наборов данных. Доступны веса PyTorch, лицензия MIT.

LCO-Embedding-Omni-3B-2605 — мультимодальная модель эмбеддингов от разработчиков LCO-Embedding, обновлённая в мае 2026 года. Она предназначена для преобразования текста, изображений, аудио и видео, а также их сочетаний в векторные представления для поиска и сравнения по смыслу. Модель построена на архитектуре Qwen2.5-Omni Thinker и распространяется в формате safetensors; для работы авторы предлагают Sentence Transformers и Transformers. Модель подходит для мультимодального поиска: можно искать текстом по изображениям, аудио или видео и сопоставлять материалы разных типов. В README заявлены улучшения для всех четырёх модальностей по сравнению с предыдущей версией. Репозиторий опубликован под лицензией Apache-2.0. Для обработки изображений, аудио и видео в Sentence Transformers требуются соответствующие мультимодальные дополнения.

mesolitica/llama2-embedding-1b-8k — текстовая модель для получения эмбеддингов, разработанная Mesolitica на основе архитектуры Llama 2. Она предназначена для извлечения признаков из текста и обучена на малайскоязычных текстах с длиной контекста обучения до 8 тысяч токенов; при инференсе может обрабатывать контекст до 32 768 токенов. Модель содержит около 940,6 млн параметров и распространяется в формате safetensors. Модель подходит для построения векторных представлений текстов, например, для поиска по смыслу, ранжирования и кластеризации. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным установить нельзя.

alpindale/Llama-3.2-90B-Vision-Instruct — мультимодальная инструктивная модель семейства Llama 3.2-Vision, разработанного Meta. Она принимает изображения и текст и генерирует текстовые ответы; подходит для визуального распознавания, рассуждений по изображениям, описания сцен и диалога с изображением. Модель построена на авторегрессионной архитектуре Transformer Llama 3.1 с vision-адаптером: кросс-внимание передаёт в языковую модель представления изображения. Размер версии — 90B параметров; контекст — до 128 тыс. токенов. Для текстовых задач заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков; в сценариях с изображениями официально поддерживается английский. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, генерации подписей, поиска соответствий между изображениями и текстом, а также визуального grounding. Карточка сообщает о настройке инструктивной версии с помощью SFT и RLHF. Модель обучена на статичном офлайн-наборе данных с отсечкой знаний в декабре 2023 года. Использование регулируется пользовательской коммерческой лицензией Llama 3.2 и Acceptable Use Policy.

MiMo-VL-7B-RL-2508 — мультимодальная модель Xiaomi для понимания изображений и видео и ответов на вопросы по визуальному содержимому. Она основана на архитектуре Qwen2.5-VL и включает визуальный ViT-энкодер с обработкой исходного разрешения, MLP-проектор для связи изображения с языковой частью и языковую модель MiMo-7B. Размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для визуального рассуждения, распознавания и описания содержания изображений, анализа видео, визуального grounding и понимания графических интерфейсов. Версия RL-2508 прошла постобучение с обучением с подкреплением и поддерживает режим управления рассуждением: по умолчанию рассуждение включено, а командой /no_think можно запросить прямой ответ. Модель работает через Transformers и выдаёт текст; в README приведены высокие результаты на MMMU и VideoMME. Модель распространяется по лицензии MIT. Практическое применение требует учитывать, что ответы могут быть ошибочными, а README описывает в основном результаты собственных оценок разработчика; для корректной подачи визуальных данных в запросе нужно размещать изображение или видео перед текстом.

Карточка модели servantofares/Ming-flash-omni-2.0 на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-2.0, поэтому описание составлено по ней. Ming-flash-omni 2.0 — мультимодальная модель от inclusionAI на архитектуре Ling-2.0 с Mixture-of-Experts: 100 млрд параметров всего, 6 млрд активных. Она принимает изображения, текст, видео и аудио, а выдаёт текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных сцен и знаний об объектах, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также создание и редактирование изображений. Среди заявленных возможностей — распознавание растений, животных, культурных объектов и достопримечательностей, управление характеристиками генерируемого аудио и клонирование голоса с нулевым примером. Для изображений заявлены генерация, сегментация и редактирование, в том числе удаление объектов и композиция сцен. Карточка описывает версии 2.0 как официальную открытую модель; лицензия репозитория — MIT. README не приводит подробностей о поддерживаемых языках, длине контекста, аппаратных требованиях или результатах независимой оценки; архитектура и заявленные способности не гарантируют качество на каждом сценарии. Метаданные указывают форматные варианты PyTorch, ONNX, Flax и TensorFlow.

Ming-flash-omni Preview — мультимодальная модель от разработчиков семейства Ming, построенная на разреженной MoE-версии Ling-Flash-2.0. В модели заявлено 100 млрд параметров, из которых активны около 6 млрд на токен; она поддерживает входные изображения, текст, видео и аудио, а генерирует изображения, текст и аудио. Модель предназначена для мультимодального диалога и генерации: понимания изображений и видео, распознавания речи с учётом контекста и диалектов, синтеза речи, генерации и редактирования изображений. В карточке отдельно отмечены сегментация как часть редактирования, улучшенное сохранение сцены и идентичности при правках изображений, а также распознавание 15 китайских диалектов. Архитектура — разреженная Mixture-of-Experts; доступны интерфейсы чата и вызова инструментов. Модель опубликована как Preview, поэтому заявленные результаты стоит рассматривать с учётом предварительного статуса версии. Лицензия — MIT.

Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

MiniMind-Rerank-MoE — компактная модель-реранкер на архитектуре Mixture-of-Experts, разработанная авторами MiniMind и дообученная на базе jingyaogong/minimind-3. Она оценивает пару «запрос — документ» как релевантную или нерелевантную, используя вероятность токена «是» как оценку релевантности. Модель предназначена для повторного упорядочивания результатов поиска и отбора документов для систем поиска с дополненной генерацией. Архитектура включает четыре эксперта с маршрутизацией top-1; в README указаны 198 млн общих параметров и 64 млн активных, а метаданные указывают 63,9 млн параметров. Контекст составляет до 32 768 токенов. Модель обучалась три эпохи на 80 тысячах пар T2Reranking. На указанном тесте C-MTEB/T2Reranking она показала MAP@10 0,604 и точность классификации 88%; авторы рекомендуют Dense-версию для ранжирования, поскольку у неё MAP@10 заметно выше. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Карточка модели mono-of-pg/mmarco-mMiniLMv2-L12-H384-v1-gguf на Hugging Face совпадает с карточкой cross-encoder/mmarco-mMiniLMv2-L12-H384-v1, поэтому описание составлено по ней. Это мультиязычная модель Cross-Encoder семейства XLM-RoBERTa, дообученная авторами Sentence Transformers на MMARCO — автоматически переведённой на 14 языков версии датасета MS MARCO. Модель основана на mMiniLMv2-L12-H384, содержит 124,3 млн параметров и рассчитана на последовательности длиной до 514 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска: она получает запрос и отдельный найденный фрагмент текста, оценивает их релевантность, после чего фрагменты можно отсортировать по оценкам. Подходит для этапа reranking после первичного поиска, например, в поисковой системе или конвейере RAG. Карточка отмечает поддержку 14 языков и сообщает, что модель также хорошо показала себя на других языках. Доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO; для использования предусмотрена библиотека Sentence Transformers. Лицензия — Apache-2.0. Обучение на машинных переводах MS MARCO может ограничивать качество на языках и типах запросов, отличающихся от обучающих данных.

Это файл GGUF в формате F16 с весами мультиязычного ранжировщика cross-encoder/mMiniLMv2-L12-H384-v1, подготовленный Gramscii-IT для запуска через llama.cpp и подачи оценок через endpoint /v1/rerank. Вес модели не изменялись: это конверсия опубликованных весов исходной модели, обученной на mMARCO — наборе MS MARCO, переведённом на 14 языков. Базовая модель построена на nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large. Модель оценивает релевантность пары «запрос — фрагмент текста», чтобы переупорядочить результаты поиска. Её можно использовать после векторного или лексического поиска, например, для повышения точности выдачи в мультиязычном поиске и RAG. README приводит локальный тест на итальянских заметках, но его результаты относятся только к этому корпусу и условиям. Контейнер F16 рассчитан на сервер llama.cpp с режимом reranking и rank pooling; для PyTorch рекомендуется исходная версия. Модель читает до 512 токенов, поэтому более длинные фрагменты нужно обрезать по токенам. Пороговые значения оценок и результаты тестирования могут не переноситься на другие корпуса. Лицензия — Apache 2.0.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

Qwen3-8B TMax AENV v39b, итерация 209 — чекпойнт языковой модели, опубликованный willamazon1. Он создан на базе willamazon1/qwen3-8b-tmax-sft-v3-iter353 и обучен методом обучения с подкреплением GRPO на асинхронных многоходовых взаимодействиях в агентной среде. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Модель предназначена для диалоговых сценариев и работы агента с инструментами. Это одна из промежуточных итераций обучения: в той же серии опубликованы чекпойнты итераций 69–219, что позволяет сравнивать изменения по ходу обучения. Репозиторий содержит веса safetensors в bfloat16; преобразование выполнено из чекпойнта Megatron-LM torch_dist. Лицензия — Apache 2.0. README не сообщает об оценках качества и целевых языках, поэтому результаты на конкретных задачах и языках по этим данным подтвердить нельзя.

Qwen3-VisionCaption-2B-GGUF — мультимодальная модель для генерации описаний изображений и визуального анализа, разработанная prithivMLmods. Она основана на Qwen3-VisionCaption-2B, дообученной версии Qwen3-VL-2B-Instruct-abliterated-v1. Модель предназначена для создания подробных подписей к изображениям, анализа сложных сцен, художественных материалов, технических схем и чувствительного контента, а также для задач аннотации датасетов, исследований модерации и red-teaming, accessibility-инструментов и генеративной оценки безопасности. Модель работает с текстом и изображениями, поддерживает английский и китайский языки, а также многоязычный OCR для 32 языков. Заявлены пространственное понимание, обработка различных соотношений сторон, поддержка контекста до 256K токенов и возможность запуска на устройствах с ограниченными ресурсами через llama.cpp и совместимые платформы. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекционные файлы; размер файлов зависит от варианта и составляет примерно от 445 MB до 6,89 GB. К сильным сторонам относятся подробные и фактические описания, визуальное рассуждение, работа с многоязычным текстом на изображениях и поддержка эффективного локального инференса. Ограничения включают отсутствие приведённых количественных оценок качества и подробностей о требованиях к оборудованию. README также характеризует модель как uncensored и указывает на обход стандартных фильтров содержимого, поэтому при работе с чувствительными данными необходимы дополнительные меры безопасности и контроля. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-Reranker-2B-4bit — мультимодальная модель-реранкер из семейства Qwen3-VL, подготовленная сообществом mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Reranker-2B; в метаданных базовой моделью также указана Qwen/Qwen3-VL-2B-Instruct, дообученная для ранжирования. Архитектура — плотная Qwen3-VL с классом Qwen3VLForConditionalGeneration; размер — 2 млрд параметров, точность — 4 бита. Модель предназначена для повторного ранжирования найденных кандидатов по запросу, включая мультимодальные сценарии. Базовая модель поддерживает анализ изображений и видео, однако метаданные каталога подтверждают для этой модели только задачу text-ranking. Для запуска README предлагает библиотеку mlx-embeddings. Модель распространяется по лицензии Apache-2.0.

Модель ibm-research/re2g-reranker-trex разработана IBM и предназначена для повторного ранжирования найденных текстовых фрагментов по запросу или вопросу. Она помогает отбирать наиболее релевантные материалы из результатов первичного поиска и объединять выдачу разных систем, например BM25 и нейронного ретривера, чьи исходные оценки напрямую несопоставимы. Модель представляет собой BERT для классификации последовательностей, содержит 136,7 млн параметров и обрабатывает до 512 токенов. В карточке указана поддержка английского языка и базовая модель BERT-base, обученная на MS MARCO. Репозиторий содержит веса PyTorch. Реранкер можно применять в поисковых системах и RAG-конвейерах перед передачей найденных фрагментов генеративной модели. Лицензия Apache 2.0 разрешает использование и модификацию на её условиях. Модель оценивает релевантность пар запроса и фрагмента, но сама не выполняет генерацию ответов и наследует ограничение контекста в 512 токенов.

masahiroid/ruri-v3-reranker-310m-mlx — неофициальная конверсия японского реранкера Ruri, разработанного проектом Ruri при Nagoya University / cl-nagoya. Модель основана на ModernBERT и предназначена для оценки релевантности пар текстов и сортировки кандидатов в поиске и RAG. Конверсия позволяет запускать её нативно на Apple Silicon через пакет mlx-embeddings. Модель содержит 314,6 млн параметров, использует точность bfloat16 без квантизации и поддерживает контекст до 8192 токенов. Карточка указывает японский и английский языки. Репозиторий распространяется по лицензии Apache-2.0; это неофициальная версия сообщества, а не выпуск команды cl-nagoya.

ostoveland/SBertBaseMittanbudver3 — модель Sentence Transformers от ostoveland, дообученная на основе NbAiLab/nb-sbert-base. Она кодирует предложения и абзацы в плотные векторы размерностью 64 и предназначена для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений; используется косинусное сходство. В README указан предел последовательности 75 токенов, а метаданные указывают контекст до 512 токенов. Доступны веса PyTorch и OpenVINO; библиотека для работы — sentence-transformers. Обучающие примеры включают норвежские описания услуг и похожие запросы, поэтому модель особенно подходит для сопоставления коротких норвежских текстов. Лицензия в предоставленных данных не указана.

SPLADE-BERT-Medium — разреженный энкодер для поиска, созданный yosefw дообучением prajjwal1/bert-medium с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BertForMaskedLM и слой SpladePooling с max-пулингом и ReLU. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и поддерживает поиск по смыслу и разреженное извлечение документов. Модель подходит для сопоставления запросов с релевантными документами и ранжирования результатов в поисковых системах. В README приведены метрики dot_accuracy@1/3/5 на оценочном наборе, однако сведения о названии и составе этого набора ограничены. Лицензия — MIT.

nreimers/TinyBERT_L-6_H-768_v2 — версия General_TinyBERT_v2 с 6 слоями и размерностью скрытого представления 768, перенесённая в библиотеку Hugging Face Transformers. Модель построена на архитектуре BERT и предназначена для извлечения контекстных векторных представлений текста, которые можно использовать в последующих NLP-задачах. В репозитории доступны веса PyTorch и Flax. Модель содержит 80,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в предоставленных данных не указана.