I.2Синтез, понимание и проверка знаний

Jina-ColBERT-v1-en — англоязычная модель поиска по фрагментам документов, разработанная Jina AI. Она использует архитектуру ColBERT на основе JinaBERT и обучена на наборе MSMARCO для ранжирования пассажей. Модель создаёт представления запросов и документов для поиска релевантных фрагментов и может применяться для первичного поиска и переранжирования результатов BM25. Модель насчитывает 136,7 млн параметров и поддерживает контекст до 8192 токенов благодаря JinaBERT с двунаправленным вариантом ALiBi. В README сообщается о сопоставимых с ColBERTv2 результатах на стандартных поисковых тестах и лучших результатах на наборах с длинными документами. Лицензия — Apache-2.0.

JinaColBERT V2 — мультиязычная модель поиска по текстовым запросам и фрагментам документов, разработанная Jina AI. Она использует архитектуру ColBERT с поздним взаимодействием токенов: модель строит многовекторные представления текста, пригодные для точного ранжирования найденных фрагментов в системах поиска и RAG. Число параметров — 658,7 млн, контекст — до 8194 токенов; базовая версия формирует эмбеддинги размерности 128, а варианты jina-colbert-v2-96 и jina-colbert-v2-64 позволяют сократить размер представлений. Поддерживаются десятки языков. Матриошковые эмбеддинги позволяют выбирать баланс между эффективностью и точностью. В README приведены результаты на BEIR, MS MARCO, MIRACLE и mMARCO, включая сравнения с предыдущими моделями и BM25. Модель предназначена для извлечения и ранжирования текстовых фрагментов, а не для генерации ответов. Для эксплуатации доступны веса Safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями.

jina-embeddings-v5-omni-nano-retrieval-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI. Это GGUF-квантизированная сборка модели jina-embeddings-v5-omni-nano-retrieval для llama.cpp, предназначенная для задач retrieval. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 768, совместимые в одном векторном пространстве с текстовой моделью jina-embeddings-v5-text-nano-retrieval. Это позволяет индексировать данные с помощью текста, а выполнять поиск по запросам любой поддерживаемой модальности без переиндексации. Модель содержит около 0,95 млрд параметров, поддерживает контекст до 8192 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности 32, 64, 128, 256, 512 и 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации с калибровкой imatrix; мультимодальные проекторы используют F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Основные сценарии применения — мультимодальный семантический поиск, retrieval-augmented generation, построение единого индекса для разных типов контента и сравнение схожести между текстом и медиа. К сильным сторонам относятся единое пространство эмбеддингов для нескольких модальностей, сравнительно небольшой размер и возможность уменьшать размерность вектора. Ограничения включают специализацию только на retrieval-задачах, необходимость использовать специализированную ветку llama.cpp с мультимодальными патчами, а также отдельные multimodal projector-файлы для обработки изображений, видео и аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным соблюдением её условий и ограничений на коммерческое применение.

Jina Embeddings v5 Text Small Retrieval MLX — порт модели эмбеддингов Jina AI для Apple Silicon. Модель основана на Qwen3-0.6B с предварительно объединёнными LoRA-адаптерами; размер — около 507,9 млн параметров. Она преобразует поисковые запросы и документы в векторы размерностью до 1024, поддерживает обрезку векторов до 32, 64, 128, 256, 512, 768 или 1024 измерений и контекст до 32 768 токенов. Модель предназначена для семантического поиска и retrieval-сценариев на устройствах Apple Silicon с ускорением Metal. Для запросов и фрагментов документов предусмотрены отдельные типы задач retrieval.query и retrieval.passage. Репозиторий содержит веса safetensors и использует библиотеку MLX. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без дополнительного разрешения. Это специализированная модель для извлечения признаков и построения эмбеддингов, а не генерации ответов. Заявленная оптимизация рассчитана на Apple Silicon; README не описывает производительность на других аппаратных платформах.

Jina Reranker v2 Base Multilingual — модель Jina AI для повторного ранжирования результатов поиска. Это кросс-энкодер на базе XLM-RoBERTa, дообученный на парах «запрос — документ»: он принимает запрос и текст документа и возвращает оценку их релевантности, по которой можно переставить результаты поиска. В метаданных указано 305,2 млн параметров; модель доступна в форматах PyTorch, Safetensors и ONNX и использует библиотеку Transformers. Модель предназначена для мультиязычного поиска по документам, коду и структурированным данным, а также для отбора результатов в системах поиска с вызовом инструментов или генерацией SQL. Контекст составляет до 1026 токенов по метаданным; README указывает 1024 токена и описывает разбиение более длинных текстов на фрагменты со скользящим окном. В модели также используется Flash Attention. Карточка приводит сравнительные результаты на нескольких тестах поиска, но они не гарантируют качество для конкретного корпуса или языка. Лицензия CC-BY-NC-4.0 разрешает исследовательское и оценочное использование, но ограничивает коммерческое применение; для коммерческого использования README предлагает обратиться к сервисам Jina AI или связаться с разработчиком.

Kiwen-27B — дообученная мультимодальная модель Qwen, созданная на основе Qwen/Qwen3.8-27B с использованием длинных трасс рассуждений Kimi K3. Её дообучение направлено на то, чтобы модель завершала рассуждение и выдавала ответ до исчерпания лимита генерации; автор не заявляет, что она в целом сильнее базовой модели. Модель предназначена для диалогов и задач с изображениями, а также для многошаговых задач на рассуждение, включая математику и программирование. В README приведены результаты GSM8K: улучшение точности составило 10,31 процентного пункта при гибком извлечении ответа и 6,07 пункта при строгом. Это указывает, что часть выигрыша связана с более надёжным завершением ответа, а не обязательно с улучшением математических способностей. Проверка на вьетнамских корпоративных документах показала небольшое ухудшение NLL относительно базовой модели. Kiwen-27B — плотная модель семейства Qwen с 27 млрд параметров, архитектура Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и выдаёт текст. В метаданных указаны вьетнамский, английский и китайский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

LateOn — англоязычная модель поиска LightOn из семейства ColBERT, построенная на ModernBERT и обученная с помощью PyLate. Это supervised-вариант, дообученный контрастивным методом с трудными негативными примерами; модель содержит 149 млн параметров и формирует многовекторные представления текста для поиска документов и сопоставления запросов с текстами. Для документов предусмотрена длина до 300 токенов, для запросов — до 32 токенов; размерность выходных представлений — 128, сходство вычисляется функцией MaxSim. В метаданных указано контекстное окно 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных документов. По заявлению разработчика, LateOn показала средний результат 57,22 NDCG@10 на 15 наборах BEIR и 60,36 на очищенной от пересечений версии из 12 наборов. Модель использует открытые данные обучения; README отмечает, что дистилляцию и асимметричные подсказки не применяли. Лицензия — Apache 2.0.

lb-reranker-0.5B-v1.0-GGUF — это квантованные в формате GGUF версии модели lb-reranker-0.5B-v1.0, разработанной lightblue и подготовленной для распространения пользователем bartowski. Модель предназначена для ранжирования текстов и переранжирования результатов поиска, например в системах семантического поиска, retrieval-augmented generation и других сценариях, где нужно оценить релевантность документов запросу. Модель имеет размер около 0,5 млрд параметров и относится к классу text-ranking и reranker. Она поддерживает широкий набор языков, включая английский, китайский, испанский, немецкий, арабский, русский, японский, корейский, хинди и многие другие. В репозитории представлены варианты с разными уровнями квантования — от F32 и F16 до Q8_0, Q6, Q5, Q4, Q3 и IQ — с размером файлов примерно от 0,34 до 1,98 ГБ. Квантование выполнено с использованием llama.cpp и метода imatrix; для запуска рекомендуется LM Studio или совместимое программное обеспечение. Длина контекста и подробности архитектуры в README не указаны. Сильными сторонами являются компактный размер, мультиязычность и наличие большого выбора квантованных вариантов, позволяющих подобрать баланс между качеством и потреблением памяти. Более низкие уровни квантования могут снижать качество ранжирования, а модель предназначена именно для оценки релевантности, а не для свободной генерации текста. Исходные данные связаны с датасетом lightblue/reranker_continuous_filt_max7_train. Указанная лицензия — Apache-2.0.

LCO-Embedding-Omni-3B — мультимодальная модель эмбеддингов из семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning», принятой на NeurIPS 2025. Она использует компонент thinker модели Qwen2.5 Omni без компонента talker и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для получения векторных представлений текста, изображений, аудио, видео и документов, сочетающих несколько модальностей. Эмбеддинги подходят для поиска и сопоставления материалов по смыслу; в README приведены сценарии текстового, визуального, аудио- и видеопоиска. Авторы сообщают о результатах уровня state of the art на MIEB и MAEB; аудиоданные при этом не использовались для обучения модели. В карточке описаны мультимодальная архитектура и возможности эмбеддингов, но не приведены точное число параметров и длина контекста. Модель выдаёт векторные представления, а не аудио или видео. README не уточняет ограничения применимости и языковой охват; среди заявленных сценариев есть поиск по визуальным документам на языках Юго-Восточной Азии.

LFM2-2.6B-Transcript — компактная плотная языковая модель Liquid AI, разработанная совместно с AMD для суммаризации расшифровок встреч. Модель дообучена на базе LiquidAI/LFM2-2.6B и содержит 2,4 млрд параметров; её контекст составляет 128 000 токенов. Она принимает текстовую расшифровку с указанием участников и выдаёт связное резюме, ключевые тезисы, решения и поручения. Модель рассчитана на длинные транскрипты встреч продолжительностью 30–60 минут, включая внутренние совещания, звонки с клиентами и брифинги. Она поддерживает английский язык и предназначена для одношагового диалога с заданным форматом входа. По заявлению разработчиков, модель может работать локально на CPU, GPU и NPU, в том числе в условиях ограниченной памяти, что подходит для конфиденциальных и автономных сценариев. Для этого репозитория указана лицензия other; конкретные условия использования следует сверить с лицензией и документацией модели. Качество и скорость зависят от оборудования и входной расшифровки. Разработчики рекомендуют низкую температуру генерации, около 0,3; модель специализирована на английских стенограммах встреч, поэтому не следует считать её универсальной или многоязычной.

Dingdust/LFM2.5-230M-heretic — производная версия LFM2.5-230M-Base от Liquid AI, опубликованная как дообученная модель с ослабленным отказом отвечать на запросы. По карточке это компактная текстовая причинная модель семейства LFM2 с 221,2 млн параметров, рассчитанная на генерацию текста и диалоговое применение. README семейства описывает гибридную архитектуру из свёрточных блоков с двойным gating и блоков GQA, а также контекст 32 768 токенов; метаданные репозитория указывают собственный контекст 128 000 токенов, поэтому фактическое значение зависит от конкретной версии и конфигурации. Модель подходит для извлечения данных, коротких диалогов и лёгких локальных агентных сценариев, включая вызов инструментов. В README исходной модели перечислены десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Приведённые в карточке измерения показывают меньше отказов, чем у исходной модели, но это не подтверждает качество ответов для всех типов запросов. Семейство не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other, без более точных условий в предоставленных данных.

Это 4-битная сборка MLX модели LFM2.5-ColBERT-350M, подготовленная сообществом mlx-community на основе LiquidAI/LFM2.5-ColBERT-350M для локального инференса на компьютерах Apple с Apple Silicon. Модель использует архитектуру ColBERT с поздним взаимодействием: формирует 128-мерный вектор для каждого токена, а релевантность запроса и документа оценивает методом MaxSim. В метаданных указаны 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для многоязычного семантического поиска и извлечения документов. В тестах README 4-битная версия сохранила в среднем 98,7% NDCG@10 и 99,7% Recall@10 относительно bf16 версии на восьми наборах данных; оценки получены на небольших или сокращённых корпусах и не сопоставимы напрямую с результатами на полных корпусах. В репозитории указана лицензия other; условия исходной модели следует сверить с её карточкой.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-4bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-4bit, поэтому описание составлено по ней. Это 4-битная сборка MLX модели LFM2.5-ColBERT-350M, подготовленная сообществом mlx-community на основе LiquidAI/LFM2.5-ColBERT-350M для локального инференса на компьютерах Apple с Apple Silicon. Модель использует архитектуру ColBERT с поздним взаимодействием: формирует 128-мерный вектор для каждого токена, а релевантность запроса и документа оценивает методом MaxSim. В метаданных указаны 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для многоязычного семантического поиска и извлечения документов. В тестах README 4-битная версия сохранила в среднем 98,7% NDCG@10 и 99,7% Recall@10 относительно bf16 версии на восьми наборах данных; оценки получены на небольших или сокращённых корпусах и не сопоставимы напрямую с результатами на полных корпусах. В репозитории указана лицензия other; условия исходной модели следует сверить с её карточкой.

LightOn-rerank-LW-4B — мультимодальная модель-реранкер от LightOn для повышения релевантности результатов поиска. Это генеративный listwise cross-encoder на базе Qwen/Qwen3.5-4B с гибридной архитектурой линейного и полного внимания; модель содержит около 4,5 млрд параметров и опубликована в формате bfloat16 весов Safetensors. Она совместно дообучена на текстовых фрагментах и изображениях страниц документов. На вход модель принимает текстовый запрос и до четырёх кандидатов — текстовых отрывков или изображений страниц PDF, слайдов и сканов. Она генерирует порядок кандидатов; для больших наборов применяется скользящее окно размером 4 с шагом 2. Реранкер предназначен для второго этапа поискового конвейера после BM25, плотного поиска или ColPali-подобного извлечения. В описанном протоколе ViDoRe V3 модель показала nDCG@10 64,69 и превзошла указанный в карточке Qwen3-VL-Reranker-8B. Модель обучалась на английских данных; французский поддерживается благодаря переносу с многоязычной базовой модели, но качество в среднем немного ниже английского. Listwise-декодирование на версии 4B требует существенно больше времени: при переранжировании 100 кандидатов оно примерно в пять раз медленнее pointwise-модели 2B. Для запуска README указывает transformers версии 5.4.0 или новее и необходимость добавить пустой thinking-блок перед генерацией. Лицензия — Apache-2.0.

LightOn-rerank-PW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он оценивает по отдельности каждую пару «запрос — кандидат» и ранжирует текстовые фрагменты или изображения страниц документов по оценке logit("Yes") − logit("No"); модель предназначена для второго этапа поиска после BM25, dense retrieval или ColPali-подобного ретривера. Число параметров — около 0,85 млрд; веса опубликованы в формате safetensors и bfloat16. Модель принимает текстовый запрос вместе с текстом или изображением страницы, поэтому подходит для поиска по PDF, слайдам и сканам наряду с обычным текстовым поиском. Обучение проводилось совместно на текстовых и визуальных данных на английском языке; французский поддерживается с переносом без дополнительного обучения. Архитектура унаследована от мультимодальной Qwen3.5 с гибридным линейным и полным вниманием. Модель распространяется по лицензии Apache-2.0. В тестах она показала полезные результаты для текстового реранжирования, но слабее подходит для визуальных кандидатов: на ViDoRe V3 оценка nDCG@10 составила 48,20 и оказалась ниже результата исходного ретривера без реранжирования. Для независимого pointwise-оценивания сложных визуальных кандидатов размер 0,8B недостаточен; авторы рекомендуют listwise-вариант LightOn-rerank-LW-0.8B для визуального реранжирования такого масштаба.

Merino-XL — мультиязычная модель для поиска по документам от BAA AI (Black Sheep AI). Она объединяет bi-encoder для получения 1024-мерных L2-нормализованных эмбеддингов и cross-encoder для оценки релевантности пары «запрос — документ» одним логитом. Обе части используют основу xlm-roberta-large и общую матрицу входных эмбеддингов, что позволяет хранить её один раз; заявлено, что это уменьшает размер загрузки без измеримой потери качества. Модель предназначена для двух этапов RAG-поиска: векторного извлечения кандидатов и их последующего ранжирования. README указывает около 880 млн параметров суммарно и мультиязычную поддержку. Модель снята с рекомендуемой линейки и заменена Merino-Large и Merino-Large-v2; её fp16-веса оставлены для воспроизводимости. 4-битный вариант не опубликован из-за регрессии устойчивости в проверке с отвлекающими документами. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных.

Merino-XL-v2 — мультиязычная модель для поиска и ранжирования документов, разработанная BAA AI (Black Sheep AI). Она объединяет биэнкодер для получения эмбеддингов запросов и документов и кросс-энкодер для оценки релевантности пары «запрос — документ». Обе части построены на общей таблице входных эмбеддингов и используют основу xlm-roberta-large; всего около 880 млн параметров. Для поиска модель выдаёт L2-нормализованные векторы размерности 1024; к запросам перед вычислением эмбеддинга добавляют префикс «query: ». Для переранжирования она возвращает один логит релевантности на пару запроса и документа. Модель предназначена для двух этапов RAG-поиска: первичного извлечения кандидатов и последующего переранжирования. Разработчик сообщает, что модель снята с рекомендуемой линейки: её заменили Merino-Large и Merino-Large-v2, которые не уступают или превосходят её по оценкам и дешевле в обслуживании. Четырёхбитный вариант не прошёл проверку устойчивости к отвлекающим документам; доступны веса fp16 для воспроизводимости. Лицензия в метаданных обозначена как «other», поэтому условия использования следует сверить с лицензией репозитория.

Многоязычная модель PyLate для семантического поиска и сопоставления предложений. Она дообучена разработчиками модели на английских данных от jhu-clsp/mmBERT-base и переносит представления текста в последовательности 128-мерных векторов токенов. Архитектура ColBERT использует энкодер ModernBERT с проекцией из 768 в 128 измерений, а релевантность запросов и документов оценивается оператором MaxSim. Модель содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов по метаданным; в карточке также указаны длины до 1024 токенов для документов и 64 токена для запросов. Модель предназначена для построения поискового индекса по документам, извлечения наиболее релевантных фрагментов и повторного ранжирования результатов первичного поиска. Обучение проводилось на английском языке, а README сообщает о переносе на корейские задачи поиска и приводит результаты оценки на корейских наборах MTEB. Для работы и индексирования описана интеграция с PyLate и FastPLAID. Сведения о лицензии в предоставленных источниках отсутствуют.

MMLW-retrieval-e5-base — польскоязычный текстовый энкодер для информационного поиска, разработанный авторами проекта MMLW. Модель основана на XLM-RoBERTa и содержит 305,2 млн параметров; она преобразует запросы и фрагменты документов в векторы размерностью 768 для сравнения их релевантности. Максимальная длина контекста — 514 токенов. Модель сначала обучали методом дистилляции на 60 млн польско-английских пар текстов, используя англоязычные FlagEmbeddings (BGE) как учителя, затем дообучили с контрастивной функцией потерь на польской обучающей части MS MARCO. Для кодирования запросов нужен префикс «query: », а для фрагментов документов — «passage: ». На польском бенчмарке PIRB модель показала NDCG@10 56,09. Подходит для семантического поиска и построения систем извлечения информации. Распространяется по лицензии Apache-2.0.

MMLW-retrieval-roberta-base — польскоязычный текстовый энкодер семейства RoBERTa, разработанный для информационного поиска. Модель преобразует запросы и фрагменты текста в векторы размерности 768, которые можно использовать для поиска релевантных документов и ранжирования кандидатов. Модель обучена в два этапа: сначала польскую RoBERTa дообучили методом многоязычной дистилляции на 60 млн польско-английских пар текста с английскими FlagEmbeddings (BGE) в роли учителей, затем провели контрастивное дообучение на польской обучающей части MS MARCO. Для кодирования запросов требуется добавлять префикс «zapytanie: ». Контекст модели — 514 токенов; размер — 151,6 млн параметров. На польском бенчмарке информационного поиска PIRB модель показала NDCG@10 56,38. Она предназначена для задач поиска по тексту, а не для генерации ответов. Распространяется по лицензии Apache-2.0.

MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

mxbai-edge-colbert-v0-17m — компактная модель поиска Mixedbread AI: 16,8 млн параметров, основана на Ettin-17M и архитектуре ModernBERT. Она строит многовекторные представления текста в стиле ColBERT с размерностью проекции 48 и предназначена для семантического поиска, извлечения документов и переранжирования результатов после первичного поиска. Модель совместима с PyLate и Sentence Transformers. В README заявлена обработка документов длиной до 32 000 токенов. Метаданные указывают нативный контекст в 7 999 токенов, поэтому предел 32 000 следует считать заявленной возможностью представления документов, а не подтверждённой длиной нативного контекста. Модель ориентирована на английский язык. Доступны форматы safetensors и ONNX; лицензия — Apache-2.0.

pplx-embed-context-v1-0.6b — мультиязычная модель контекстных текстовых эмбеддингов, разработанная Perplexity AI. Она предназначена для векторизации фрагментов документов в RAG-системах, где для представления фрагмента учитывается окружающий контекст, а также для поиска по крупным коллекциям текстов. Модель построена на diffusion continued pre-training Qwen3 и имеет плотную архитектуру с 507,9 млн параметров. Она выдаёт эмбеддинги размерностью 1024, поддерживает контекст до 32 768 токенов и не требует добавлять инструкцию к тексту перед векторизацией. Представления формируются с mean pooling; заявлена поддержка MRL и вариантов INT8/BINARY. Выходные эмбеддинги по умолчанию не нормализованы, поэтому для сравнения README рекомендует косинусное сходство. Репозиторий содержит форматы Safetensors и ONNX; лицензия — MIT.

Qwen3-14B-DAG-Reasoning — экспериментальная специализированная языковая модель от Sequelbox для причинно-следственного анализа и построения ориентированных ациклических графов (DAG). Она дообучена на Qwen/Qwen3-14B на наборе данных Sequelbox, сформированном с помощью DeepSeek R1 0528, и использует архитектуру Qwen3 с 14 млрд параметров. Модель принимает текст и обычно выдаёт структурированный JSON с узлами и связями графа, который можно использовать для визуализации или дальнейшего анализа. Модель рассчитана на многошаговые рассуждения в областях программирования, науки, бизнеса, экономики, финансов, права, логистики и управления. Для запроса графа или анализа следует явно попросить его в сообщении; при неясном запросе модель может ответить в обычном стиле Qwen3. Контекст составляет до 40 960 токенов. Для применения в продуктивных системах автор рекомендует проверять структуру выходных данных. Лицензия — Apache-2.0.

MMOPD/Qwen3-4B-OT3-1ep — модель рассуждений, разработанная проектом MMOPD на основе Qwen3-4B-Base и дообученная один эпохой на наборе OpenThoughts3-1.2M. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров; она использует библиотеку Transformers, формат safetensors и контекст до 32 768 токенов. Модель формирует ответы в формате Qwen3 с блоком рассуждений перед итоговым ответом. Модель предназначена для многошаговых рассуждений, особенно в математике, программировании и естественных науках. Её можно использовать как помощника для решения задач и генерации кода, а также как отправную точку для создания специализированных моделей и экспериментов по дистилляции. В README приведены результаты на математических и кодовых бенчмарках, но они относятся к конкретным настройкам генерации и не гарантируют аналогичного качества в других сценариях. Модель распространяется по лицензии Apache-2.0. Для получения ответов в заявленном формате README рекомендует шаблон чата Qwen3, включённый режим рассуждений и семплирование вместо жадного декодирования.

Steve0927/qwen3-embedding-0.6b-lrat-full-v1 — дообученная модель для извлечения текстовых эмбеддингов и поиска релевантных документов. Она основана на Qwen3-Embedding-0.6B и настроена для задачи XIR competition 1170 на официальных обучающих парах LRAT с использованием обучающего процесса LRAT/FlagEmbedding. Модель имеет плотную архитектуру Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для построения поисковых систем и извлечения релевантных текстов по запросам. В ходе дообучения использовались запросы и фрагменты документов длиной до 512 токенов; карточка не уточняет, ограничивает ли это длину на этапе применения. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана.

mlx-community/Qwen3-VL-Embedding-2B-mxfp4 — мультимодальная модель для получения эмбеддингов текста и изображений. Репозиторий mlx-community содержит конверсию модели Qwen/Qwen3-VL-Embedding-2B в формат MLX; в метаданных базовой моделью указана Qwen/Qwen3-VL-2B-Instruct, на которой основана производная модель. Архитектура относится к семейству Qwen3-VL, размер — 2 млрд параметров. README рекомендует библиотеку mlx-embeddings для использования. Модель предназначена для извлечения векторных представлений, которые можно применять для поиска и сопоставления текстов и изображений. Метаданные классифицируют её как feature-extraction и указывают поддержку мультимодальных эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста, поддерживаемых языках, точности или оценках качества; назначение MLX-конверсии подразумевает применение в экосистеме MLX.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SauerkrautLM-Reason-EuroColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она кодирует запросы и документы в наборы векторов и сопоставляет их с помощью MaxSim, чтобы находить релевантные фрагменты, в том числе для запросов, требующих рассуждений. Модель дообучена на базе SauerkrautLM-EuroColBERT методом дистилляции на 200 тысячах синтетических пар запрос–документ; авторы сообщают о применении PyLate и архитектуре EuroBERT с проекцией 768→128 измерений. Модель содержит около 211,7 млн параметров и поддерживает контекст до 8192 токенов для документов и до 256 токенов для запросов. Она рассчитана на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки, с особым акцентом на многоязычный поиск и поиск, требующий рассуждений. Подходит для ранжирования документов и извлечения релевантных материалов в поисковых системах и RAG-конвейерах. Модель распространяется по лицензии Apache 2.0. Указанные в карточке сравнительные результаты и заявления о превосходстве над более крупными моделями принадлежат авторам и зависят от набора данных и методики оценки; модель выдаёт векторы для поиска, а не готовые развернутые ответы пользователю.

tomaarsen/splade-modernbert-base-miriad — это разреженный SPLADE-энкодер, дообученный на парах «вопрос–фрагмент текста» из набора MIRIAD с помощью библиотеки Sentence Transformers. В основе лежит encoder-only ModernBERT-base на 149 млн параметров; модель преобразует предложения и абзацы в разреженные векторы размерностью 50 368, сопоставляемые скалярным произведением. Модель предназначена для семантического поиска и разреженного извлечения релевантных текстов, в том числе для поиска фрагментов по запросу. Она поддерживает последовательности до 8 192 токенов и обучена для английского языка. Распространяется по лицензии Apache-2.0.