I.2Синтез, понимание и проверка знаний

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

Skywork-R1V2-38B — открытая мультимодальная модель рассуждений компании Skywork, построенная на архитектуре InternVL Chat. Она принимает изображения и текст и предназначена для визуальных вопросов и ответов, анализа изображений и решения задач, требующих визуального и текстового рассуждения. В README указаны результаты на MMMU — 73,6% и OlympiadBench — 62,6%, а также оценки на MathVision, MMMU-Pro и MathVista; размеры контекста и число параметров в доступных данных не приводятся. Модель распространяется в формате safetensors и лицензирована по MIT. Метаданные указывают поддержку чата и интерфейс вызова инструментов.

Это компактная англоязычная модель на архитектуре BERT, созданная дообучением Snowflake/snowflake-arctic-embed-xs на первых 300 000 примерах датасета Zyphra/Zyda-2. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и использует цель обучения Masked Language Modeling. Модель предназначена для построения текстовых эмбеддингов, классификации текста и заполнения пропусков в английских предложениях. В карточке приведены результаты оценки: loss 3,0689 и accuracy 0,4676. Лицензия — MIT.

Карточка модели KIEFERSA/Sophea-Nemo-Reranker на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-Reranker, поэтому описание составлено по ней. Sophea-Nemo-Reranker — кросс-энкодерный реранкер Kiefer SA для переоценки релевантности документов запросу на греческом и английском языках. Модель дообучена на базе nvidia/llama-nemotron-rerank-1b-v2 и использует двунаправленную архитектуру LlamaBidirectionalForSequenceClassification с одним логитом релевантности. Размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов; формат весов — safetensors. Модель предназначена для второго этапа двухэтапного поиска: после первичного отбора кандидатов, например эмбеддером Sophea-Nemo-Embedding, она переупорядочивает фрагменты по соответствию запросу. README описывает применение в греческом RAG и сообщает об улучшении nDCG@10 на пяти тестовых доменах относительно базовой модели. Наибольшая польза отмечена для сложных случаев, включая медицинские и финансовые запросы; на уже сильных результатах эмбеддера дополнительное ранжирование может давать небольшой выигрыш или ухудшать качество. Для подачи данных используется последовательность с шаблоном «question:{q} passage:{p}». README указывает на необходимость trust_remote_code при использовании Transformers. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.

Это модель для переупорядочивания текстовых фрагментов по их релевантности запросу. Её разработали на базе Qwen3-8B с помощью инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForCausalLM и около 7,6 млрд параметров. Для адаптации применялся LoRA, веса адаптера объединены с базовой моделью. Обучение проводилось методом дистилляции listwise-KL на наборе RLHN-680K. Модель оценивает пару «запрос — фрагмент» по логарифму отношения вероятностей токенов «yes» и «no» после вопроса о релевантности. Вход включает запрос, заголовок и текст фрагмента; максимальная длина контекста — 32 768 токенов. Модель подходит для ранжирования документов в поисковых системах и конвейерах информационного поиска. Лицензия — Apache-2.0.

topk-embed-v1-small — мультимодальная модель извлечения TopK размером 2 млрд параметров, предназначенная для поиска по текстовым документам и изображениям страниц, включая сканы, отчёты и презентации. Она использует позднее взаимодействие: формирует несколько векторов для токенов текста или фрагментов изображения, а затем оценивает релевантность запросов и документов с помощью суммирования MaxSim. Разработчик — TopK, согласно названию и README. Модель рассчитана на retrieval-сценарии с текстовыми запросами и документами на разных языках. В README приведены оценки на восьми наборах ViDoRe v3, включая поиск по изображениям страниц и соответствующему тексту Markdown, а также нативные и межъязыковые запросы. Полная ширина векторов составляет 2048 измерений; доступны префиксные размерности Matryoshka от 64 до 2048. В метаданных указана дообученная база Qwen/Qwen3.5-2B, библиотека Sentence Transformers, формат safetensors и лицензия Apache-2.0. Для запуска README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Ultravox v0.4.1 — мультимодальная речевая языковая модель от Fixie.ai на базе Llama 3.1 8B Instruct и Whisper Large V3 Turbo. Она принимает аудио вместе с текстовым контекстом и генерирует текстовые ответы, поэтому подходит для голосовых агентов, анализа речи и перевода устной речи. Модель обучалась на смеси наборов данных для распознавания речи и перевода, включая LibriSpeech, Common Voice, GigaSpeech, Peoples Speech, Wenetspeech и CoVoST2. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, португальский, русский, шведский, турецкий, украинский и китайский языки. В README указаны задержка до первого токена около 150 мс и скорость генерации примерно 50–100 токенов в секунду на GPU A100 40 ГБ при использовании аудио. Модель выдаёт текст, а не синтезированную речь; в этой версии также не применялась настройка предпочтений. Лицензия — MIT.

dangvantuan/vietnamese-embedding — модель эмбеддингов предложений для вьетнамского языка, разработанная на основе PhoBERT с архитектурой RoBERTa. Она преобразует текст векторы размерности 768 и предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Модель построена на Sentence Transformers: использует среднее объединение токенных представлений и поддерживает последовательности до 512 токенов согласно README; метаданные каталога указывают контекст 258 токенов. Веса содержат 162,4 млн параметров. Обучение включало SimCSE с контрастивным обучением, а также дообучение на наборах XNLI-vn и STSB-vn. В карточке приведены результаты оценки корреляции на наборах семантического сходства для вьетнамского языка. Модель подходит для поиска семантически близких фраз и группировки вьетнамских текстов по смыслу. Она принимает текст и возвращает векторные представления; результаты для других языков карточкой не подтверждены. Распространяется по лицензии Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130210931-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-11-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130201404-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

BAAI/bge-reranker-large — двуязычный англо-китайский переранжировщик текстов, разработанный командой FlagEmbedding при BAAI. Это модель архитектуры XLM-RoBERTa с 658,7 млн параметров, обученная как cross-encoder: она принимает запрос вместе с отдельным документом и оценивает их релевантность. Контекст составляет 514 токенов; доступны веса в форматах PyTorch, Safetensors и ONNX. Модель предназначена для повторной сортировки результатов поиска: сначала система извлекает кандидатов с помощью модели эмбеддингов, затем bge-reranker-large оценивает пары «запрос — документ» и помогает поднять наиболее подходящие материалы. Она ориентирована на более точное ранжирование, чем модель эмбеддингов, но менее эффективна по вычислениям, поэтому подходит для переранжирования ограниченного набора кандидатов, а не полного корпуса. Поддерживаемые языки — китайский и английский. Лицензия — MIT.

Nalyd1908/bge-reranker-v2-m3-finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе BAAI/bge-reranker-v2-m3. Она предназначена для оценки релевантности пары «запрос — текст» и переранжирования результатов поиска. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. В README приведены метрики на наборе оценки: pointwise accuracy 0,919, F1 0,799, AUC 0,9567 и group top-1 accuracy 0,885. Датасет дообучения не назван, поэтому эти результаты не позволяют судить о качестве на конкретных поисковых коллекциях. Лицензия — Apache-2.0.

ChatTruth-7B — модель семейства Qwen, разработанная на основе Qwen-VL и дополнительно обученная на специально подготовленных данных. Она предназначена для диалоговой генерации текста с поддержкой визуальных входов и улучшенной обработкой изображений высокого разрешения. В README заявлен модуль Restore Module, снижающий вычислительную нагрузку при работе с изображениями высокого разрешения. В метаданных указаны 11,4 млрд параметров, контекст длиной 8192 токена и поддержка китайского и английского языков. Репозиторий содержит веса PyTorch; для запуска README указывает Transformers 4.32.0, PyTorch 1.13 или новее и CUDA 11.4 или новее. Условия лицензии в предоставленных данных не описаны.

DenseOn — плотная модель поиска LightOn на базе ModernBERT с 149 млн параметров. Она независимо кодирует запросы и документы в векторы размерности 768 и предназначена для поиска по смыслу и ранжирования документов по близости к запросу. Для запросов используется префикс `query:`, для документов — `document:`; применяется CLS-пулинг и косинусное сходство. Модель рассчитана на англоязычный поиск. В README указана максимальная длина последовательности 512 токенов, тогда как метаданные Hugging Face сообщают о контексте в 8192 токена. В бенчмарке BEIR авторы приводят средний результат 56,75 nDCG@10 на 15 наборах данных и 57,71 на очищенном наборе из 12 датасетов. Модель распространяется по лицензии Apache 2.0.

DUSUNEN Rota 270M v2 — плотная турецкоязычная модель для поиска похожих предложений и извлечения релевантных документов. Её разработал GoktugD, продолжив дообучение DUSUNEN Rota 270M v1 на 50 000 триплетах с трудными негативными примерами. Модель содержит около 257 млн параметров, построена на архитектуре Gemma 3 Text и выдаёт векторные представления размерности 640; метаданные указывают контекст до 32 768 токенов, однако в обучении использовалась длина последовательности 256. Модель предназначена для семантического поиска на турецком языке, ранжирования результатов и подбора кандидатов для RAG. В пяти тестах поиска v2 показала небольшое стабильное улучшение относительно v1, но уступила multilingual E5 по общему результату и превзошла его только на MKQA в указанной матрице. Весы опубликованы в формате safetensors; лицензия — MIT.

DUSUNEN Rota 270M v3 — компактная модель плотного поиска по турецким текстам, разработанная Werea и дообученная на базе microsoft/harrier-oss-v1-270m. Она построена на текстовой архитектуре Gemma 3, содержит около 257 млн параметров и рассчитана на контекст до 32 768 токенов. Модель создаёт текстовые эмбеддинги для семантического поиска и сравнения предложений; обучение включало дистилляцию оценок multilingual-e5-large и 308 тысяч естественных пар из MS MARCO-TR и DUSUNEN без синтетических шаблонов. Модель подходит для поиска документов и формирования кандидатов на первом этапе турецкоязычного RAG. В опубликованной оценке на TurHistQuadRetrieval она превзошла базовую Harrier OSS 270M по nDCG@10, но уступила multilingual-e5-base, особенно по полноте поиска на 100 результатах. Для стабильной работы автор рекомендует bf16: при fp16 выходы эмбеддингов могут содержать NaN. Лицензия — Apache-2.0.

FastVLM-1.5B — мультимодальная модель Apple для диалога по изображениям и генерации текста. Она сочетает визуальный энкодер FastViTHD, который сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения, с языковой частью семейства LLaVA-Qwen2. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и задач на понимание диаграмм и научных изображений. В карточке приведены результаты на Ai2D, ScienceQA и MMMU; авторы также заявляют о высокой скорости получения первого токена и компактном визуальном энкодере. Репозиторий содержит веса в формате safetensors. Лицензия — Apple AMLR.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

InternVL3.5-4B-Flash — мультимодальная чат-модель OpenGVLab из семейства InternVL3.5. Она принимает изображения и текст и формирует текстовые ответы для диалога, визуального анализа и рассуждений по содержимому изображений. Вариант Flash использует Visual Resolution Router для динамической настройки разрешения визуальных токенов; семейство также поддерживает сценарии взаимодействия с графическим интерфейсом и embodied agency. Модель основана на InternVL3.5 с архитектурой InternVLChatModel и дообучена на OpenGVLab/MMPR-v1.2 и MMPR-Tiny. Карточка описывает мультиязычность, но не перечисляет отдельные языки или размер контекстного окна. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

NovaSearch/jasper_en_vision_language_v1 — мультимодальная модель для представления текста и изображений в виде векторов. Согласно карточке, она основана на dunzhang/stella_en_1.5B_v5 и google/siglip-so400m-patch14-384; метаданные указывают на объединение моделей. Модель предназначена для получения эмбеддингов текста и изображений, поиска семантически близких текстов и сопоставления текста с изображениями. В карточке упоминаются оценка на MTEB и обучение на данных BAAI/Infinity-MM и HuggingFaceFW/fineweb-edu. Основной заявленный язык — английский. Доступна в формате safetensors. Информация о лицензии и ограничениях применения в предоставленных данных отсутствует.

jinaai/jina-embeddings-v5-omni-nano-classification — мультимодальная модель эмбеддингов Jina AI, дообученная для задач классификации на базе jinaai/jina-embeddings-v5-omni-nano. Плотная архитектура LlavaEuroBertAudioForEmbedding принимает текст, изображения, видео и аудио и преобразует их в совместимые векторы размерности 768 в общем пространстве. В модели около 0,95 млрд параметров. Модель предназначена для классификации по эмбеддингам и мультимодального поиска: можно индексировать текст и искать в нём по изображениям, видео или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не обрабатывается, её нужно передать отдельно. Для текстовых документов ожидается префикс «Document: ». Доступны веса safetensors и поддержка Transformers; карточка также описывает запуск через sentence-transformers и vLLM. Мультиязычная модель подходит для сопоставления и классификации контента разных модальностей в общем пространстве эмбеддингов. Лицензия CC-BY-NC-4.0 разрешает использование с ограничением на коммерческое применение.

jinaai/jina-reranker-v3.5 — многоязычная модель-реранкер от Jina AI для повторной сортировки списка документов по релевантности запросу. Она дообучена на Qwen/Qwen3-0.6B и содержит около 508 млн параметров. Архитектура Qwen3 дополнена проектором MLP; модель оценивает кандидатов совместно в одном проходе, используя listwise-подход и косинусное сравнение. Контекст — до 131 072 токенов. Модель предназначена для второго этапа поиска: она уточняет порядок документов, уже найденных поисковой системой, и рассчитана на многоязычный поиск, устойчивую работу в разных предметных областях и ранжирование структурированных данных. По результатам сравнений в карточке она превосходит предыдущую jina-reranker-v3 на ряде наборов тестов, включая BEIR и Struct-IR; скорость инференса также улучшена для списков разной длины. Для локального запуска карточка рекомендует Transformers; также доступен API Jina AI. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения. Модель выдаёт оценки и порядок релевантности, а не готовые ответы на запросы.

LightOn-rerank-LW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он совместно дообучен на текстовых и визуальных данных для переранжирования кандидатов, уже найденных первым этапом поиска: модель сопоставляет текстовый запрос с фрагментами текста или изображениями страниц документов, например PDF и слайдов. Модель использует генеративное списочное ранжирование: за один запрос она сравнивает четыре кандидата и генерирует их порядок; более крупные наборы обрабатываются скользящим окном. Вес модели составляет около 0,85 млрд параметров, опубликованные веса — bfloat16. Для работы требуется Transformers версии 5.4.0 или выше с поддержкой архитектуры qwen3_5. Модель показывает сильные результаты на визуальном ранжировании ViDoRe V3 с учётом её размера; область применения — прежде всего системы поиска, где важна экономия памяти ускорителя. Обучение проводилось на английских данных. В README заявлен перенос на французский без дополнительного обучения; качество в среднем несколько ниже, чем на английском. Списочный режим имеет более высокую задержку, чем поточечное оценивание, а на фармацевтических документах модель слабее ряда моделей класса 2B. Лицензия — Apache-2.0.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16-GGUF — это компактная языковая модель для генерации текста и агентских сценариев с использованием инструментов. Модель основана на ewin-reg/MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 и дополнительно представлена в формате GGUF; квантованные версии подготовлены mradermacher. В метаданных также указана связь с семейством MiniCPM5 и тег OpenBMB, однако конкретный разработчик базовой модели явно не описан. Модель предназначена для диалоговых приложений, локального запуска и задач tool calling, включая вызов функций и взаимодействие с внешними инструментами в форматах XML и JSON. Она обучалась с использованием набора данных Team-ACE/ToolACE и заявлена для английского языка. Размер модели — около 1 млрд параметров, но сведения об архитектуре, размере контекста и поддержке дополнительных модальностей отсутствуют; по представленным данным это текстовая модель. Основные преимущества — небольшой размер, возможность работы на локальных и периферийных устройствах, а также наличие вариантов GGUF с разной степенью квантования: от Q2_K до Q8_0 и версии f16. Более компактные варианты требуют меньше памяти, но могут терять в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Лицензия модели — Apache-2.0.

OpenReasoning-Nemotron-7B — языковая модель NVIDIA на 7,1 млрд параметров, дообученная методом supervised fine-tuning на базе Qwen2.5-7B. Это плотный декодерный трансформер семейства Qwen2, предназначенный для рассуждений и решения задач по математике, программированию и естественным наукам. Модель принимает текст и генерирует текст; в карточке указано контекстное окно 131 072 токена, а README сообщает об обучении на генерацию ответов длиной до 64 000 токенов. Модель рассчитана на разработчиков и исследователей, работающих со сложными задачами, олимпиадной математикой, кодом и научными вопросами. Её можно запускать в обычном режиме или использовать в многократной генерации с последующим выбором решения через GenSelect; описанная в README настройка GenSelect ориентирована на математику и, по заявлению разработчиков, обобщается на код и научные вопросы. В README приведены результаты на математических, научных и программных бенчмарках, но они не гарантируют такое же качество на произвольных задачах. Модель поддерживает английский язык согласно языковым метаданным. NVIDIA рекомендует для ускорения инференса GPU-системы NVIDIA; в README перечислены NeMo, vLLM и TensorRT-LLM. Лицензия — CC BY 4.0; README позиционирует модель для коммерческого и некоммерческого исследовательского использования.

Qwen3-VL-8B-Heretic-Stable — мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 8 млрд параметров для диалога, анализа изображений и генерации текстовых ответов. Она принимает изображения и текст, поддерживает визуальное рассуждение, создание подписей и структурированных описаний, а также прототипирование инструментов анализа изображений. В карточке заявлены совместимость с актуальными версиями Transformers, обновлённая разбивка весов на шарды и сохранение поведения исходной модели без изменения основных весов или архитектуры. Модель основана на prithivMLmods/Qwen3-VL-8B-Instruct-Unredacted-MAX и связана в README с huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated; README описывает выпуск как переупаковку, тогда как метаданные указывают дообучение базовой модели. Поддерживаемый язык карточки — английский. Репозиторий использует safetensors и библиотеку Transformers; лицензия — Apache-2.0. Ответы могут быть неточными или неполными, а качество зависит от изображения, запроса, разрешения и сложности входных данных. Для эффективного инференса, особенно с изображениями высокого разрешения, README рекомендует GPU. Модель помечена как предназначенная для исследований и обучения; авторы возлагают ответственность за использование и полученные результаты на пользователя.

SurvAIv Ettin 32M — дообученный англоязычный кросс-энкодер на базе cross-encoder/ettin-reranker-32m-v1, выпущенный SurvAIv. Модель содержит около 31,9 млн параметров и предназначена для повторного ранжирования результатов поиска и других наборов текстовых фрагментов по релевантности запросу. Она построена на ModernBERT и оформлена как полный модульный чекпойнт Sentence Transformers CrossEncoder с обученной скоринговой головой. Модель обучали методом LambdaLoss@10 на 2 098 группах запросов и 23 657 размеченных фрагментах. Для развёртывания в локальной RAG-системе автор использует экспорт ONNX с INT8-квантизацией и ограничением входной последовательности до 512 токенов; метаданные указывают нативный контекст длиной до 7 999 токенов. Выдаваемые оценки отражают релевантность для ранжирования, а не калиброванную вероятность правильности ответа. Модель подходит для улучшения порядка выдачи в поиске и RAG. Это компонент поиска, а не клинически проверенная система первой помощи. Лицензия модели — Apache-2.0; датасет обучения приватный, а цитаты в архивных примерах карточки имеют отдельные ограничения и не являются свободно распространяемыми обучающими данными.

UniME-Phi3.5-V-4.2B — мультимодальная модель для получения эмбеддингов по тексту и изображениям, основанная на Microsoft Phi-3.5-vision-instruct и дообученная командой DeepGlint-AI. Она предназначена для мультимодального поиска и оценки сходства: сопоставляет запросы с изображениями или текстами и помогает находить релевантные элементы в наборах данных. В карточке заявлен результат на верхней позиции таблицы MMEB для обучения с разрешением изображений 336×336. Модель использует архитектуру Phi-3 Vision с 3,7 млрд параметров, работает с текстом и изображениями и имеет контекст до 4096 токенов. При обучении донастраивался только языковой компонент; остальные параметры были заморожены. Для обучения использовались дистилляция текстовых представлений и настройка инструкций с подбором сложных негативных примеров. Лицензия — MIT. Карточка описывает метод обучения и результат на MMEB, но не приводит подробностей об использовании модели для извлечения эмбеддингов, форматах векторов или оценках релевантности. Поэтому заявленный результат не заменяет независимую проверку на целевых данных.

WiNGPT-DocLoom — мультимодальная модель компании WiNGPT для извлечения структурированного текста из сложных PDF-документов. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-VL-4B-Instruct и принимает изображения страниц документа, чтобы выдавать текст в естественном порядке чтения с сохранением структуры: заголовков, таблиц, списков и формул. Модель предназначена для OCR и последующего разбора документов, поиска информации и извлечения данных. В обучении использовались реальные и синтетические данные; отдельно заявлен акцент на обработке медицинских PDF. Для инференса авторы рекомендуют Transformers или vLLM, включая обработку многостраничных документов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.