I.2Синтез, понимание и проверка знаний

Merino-Small — модель BAA AI (Black Sheep AI) для двух этапов поиска в RAG: построения эмбеддингов и ранжирования пар запроса и документа. В ней биэнкодер и 12-слойный кросс-энкодер используют общую таблицу эмбеддингов слов на базе MiniLM-L6-H384-uncased; общий размер составляет около 55 млн параметров, а эмбеддинги имеют размерность 384 и нормализуются по L2. Для векторного поиска README рекомендует добавлять к запросу префикс «Represent this sentence for searching relevant passages: ». Модель работает на английском языке. Её можно применять для семантического поиска и переоценки найденных кандидатов в RAG-системах. По данным README, модель компактна для развёртывания, а 4-битная квантизация сохраняет качество в описанном тесте с тематическими отвлекающими документами. Низкий показатель Position Balance (0,17) указывает на ограниченную способность находить второй независимый факт в одном фрагменте: рекомендуется разбивать документы на атомарные фрагменты по одному утверждению и возвращать родительский раздел для контекста. Лицензия в метаданных указана как other; конкретные условия README не приводит.

MiniCOIL v1 — разреженная нейронная модель эмбеддингов для текстового поиска, опубликованная Qdrant на основе jinaai/jina-embeddings-v2-small-en. Модель предназначена для задач sentence similarity и retrieval, включая семантический поиск и гибридный поиск по текстовым коллекциям. Для каждого стема слова модель формирует 4-мерное смысловое представление, объединяет такие представления в разреженную модель мешка слов и взвешивает слова по формуле BM25. Для слов, отсутствующих в словаре miniCOIL, используется вес, основанный только на BM25. Модель поддерживает английский язык; сведения о размере параметров, длине контекста и других модальностях не указаны. К сильным сторонам относятся разреженное представление, учет как лексического совпадения, так и смысла слов, а также различение контекстов многозначных терминов. Модель рассчитана на использование с библиотекой FastEmbed и особенностями Qdrant: для корректного применения необходимо настроить Modifier.IDF либо самостоятельно учитывать и масштабировать IDF-компонент BM25. Ограничения включают англоязычную специализацию и зависимость от настройки разреженных векторов в Qdrant. Модель распространяется по лицензии Apache-2.0.

jigs97022 разработал MiniCPM5-2B Distilled Reasoning — компактную языковую модель на 2,2 млрд параметров для генерации текста и задач с рассуждением. Она основана на архитектуре MiniCPM5-2B и дообучена методом дистилляции на примерах рассуждений, созданных с участием Qwen3.8-Max, GLM-5.2 и Kimi K3. Модель предназначена для решения математических задач, написания кода, логических головоломок, структурированного анализа и рассуждений при использовании инструментов. Поддерживает диалоговый шаблон MiniCPM5 и интерфейс вызова инструментов; метаданные указывают английский и китайский языки, а контекст — до 131 072 токенов. В README отмечено, что качество рассуждений снижается за пределами 4 096 токенов, модель обучалась на 10 тысячах примеров и может отвечать излишне подробно. Доступна по лицензии Apache-2.0.

Карточка модели zenosai/MonkeyOCRv2-B на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. 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-rerank-base-v2 (также ProRank-0.5B) — базовая модель семейства реранкеров Mixedbread AI. Она оценивает релевантность пар «запрос — документ» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров; для работы использует Transformers и формат Safetensors. Размер контекста — до 32 768 токенов. Модель предназначена для мультиязычного поиска, включая поиск по коду, и может применяться для повторного ранжирования кандидатов в RAG-системах и поисковых сервисах. По данным авторов, она поддерживает более 100 языков и показывает сильные результаты на английском и китайском; в опубликованной таблице для base-v2 приведены показатели BEIR, мультиязычного и китайского поиска, поиска по коду, а также задержка на A100. Лицензия — Apache-2.0. README не приводит технический отчёт и не описывает ограничения качества или полный перечень языков. Указанные в карточке языковые теги охватывают лишь часть заявленной мультиязычной поддержки; показатели скорости относятся к тестированию на A100 и могут отличаться на другом оборудовании.

Ogma Micro — компактная англоязычная модель эмбеддингов текста семейства Ogma, разработанная axiotic. Энкодер с 2,3 млн параметров преобразует текст в векторы размерности 128; поддерживаются сокращённые представления Matryoshka размерности 64 и 32. Заявленная длина контекста — 1024 токена, средний результат на английском бенчмарке MTEB — 52,18. Модель предназначена для локального семантического поиска и извлечения документов, векторного поиска, RAG, кластеризации и классификации текстов, а также хранения памяти агентов. Небольшой размер подходит для браузеров, мобильных и настольных приложений, периферийных устройств и сценариев с локальной обработкой данных. Для задач сходства доступны симметричная маршрутизация и режим запросов/документов. Это энкодер, который выдаёт эмбеддинги и не генерирует текст. По данным README, качество ниже более крупных вариантов семейства на некоторых задачах; модель отстаёт от all-MiniLM-L6-v2 в переранжировании. На CPU она медленнее статических моделей, а обучение и оценка ориентированы только на английский. Лицензия весов — CC-BY-NC-4.0, коммерческое использование ограничено.

PaddleOCR-VL-1.6-MLX-8bit — 8-битная MLX-квантизация мультимодальной модели PaddleOCR-VL-1.6, разработанной командой PaddlePaddle. Модель предназначена для локального разбора документов на устройствах Apple Silicon, включая OCR полноформатных страниц, анализ структуры и компоновки, распознавание таблиц, формул, графиков, печатей, а также обнаружение и распознавание текста. Она принимает изображения и генерирует результаты в форматах Markdown и JSON; текстовые входы без изображения не поддерживаются. Модель содержит около 0,9 млрд параметров и использует архитектуру PaddleOCRVLForConditionalGeneration на базе ERNIE-4.5 с пользовательским типом модели paddleocr_vl. Контекст составляет до 131 072 токенов, поддерживаются английский, китайский и другие языки; заявлена мультиязычность. Версия адаптирована для MLX и занимает около 1,09 ГБ на диске. Повышенный предел разрешения до 4 064 256 пикселей оптимизирован для распознавания мелкого текста на полноразмерных страницах, но увеличивает время обработки примерно в пять раз по сравнению с исходным ограничением. Работает через mlx-vlm и требует Apple Silicon, а также trust_remote_code=True. Сильные стороны модели — локальная обработка данных без отправки документов во внешние сервисы, поддержка сложных элементов документов и высокая заявленная точность базовой модели: 96,3% на OmniDocBench v1.6. 8-битная квантизация может немного снизить точность по сравнению с версиями bf16/fp16. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

zecafonso/Qwen3-Embedding-0.6B-512 — текстовая Sentence Transformer модель, дообученная на базе Qwen/Qwen3-Embedding-0.6B и опубликованная под именем пользователя zecafonso. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и поиска релевантных фрагментов. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на retrieval-сценарии, включая поиск passages по запросу. В README приведены результаты оценки на двух наборах urban-ir-gold, но эти результаты относятся к указанным наборам и не гарантируют аналогичное качество в других предметных областях. Модель принимает текст и выдаёт эмбеддинги; максимальная длина последовательности в README — 512 токенов. Метаданные указывают контекст модели 32 768 токенов, однако README описывает ограничение этой конкретной конфигурации в 512 токенов. Модель реализована на Sentence Transformers и сохранена в safetensors. Лицензия в предоставленных данных не указана.

Карточка модели allenai/SAGE-MM-Qwen3-VL-8B-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.

Scarlett-Llama-3-8B — разговорная языковая модель, дообученная ajibawa-2023 на базе Llama 3 8B от Meta. Она обучена на более чем 10 000 наборах диалогов по философии, советам, шуткам и программированию, а также предназначена для продолжительных бесед в формате ChatML. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык и возможность генерировать код. Модель подходит для диалогового помощника, обсуждения философских вопросов, выдачи советов, шуток и помощи с кодом. Разработчик отмечает, что модель не предназначена для ролевых сценариев со взрослым или сексуальным содержанием. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели Alibaba-NLP/UEmbed-2B на Hugging Face совпадает с карточкой Alibaba-NLP/UEmbed-4B, поэтому описание составлено по ней. UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

Карточка модели punitkandoi/zerank-1-small-reranker на Hugging Face совпадает с карточкой zeroentropy/zerank-1-small-reranker, поэтому описание составлено по ней. zerank-1-small — компактная модель-реранкер компании zeroentropy на 1,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы повысить точность поисковой или RAG-системы. Модель использует плотную архитектуру Qwen3 и библиотеку sentence-transformers; по метаданным поддерживает контекст до 40 960 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе в задачах по коду, финансам и диалоговым запросам. В README разработчик сообщает, что она близка по качеству к более крупной zerank-1 и превосходит ряд популярных реранкеров на приведённых оценках NDCG@10. Репозиторий распространяется по лицензии Apache 2.0. Это англоязычная модель общего назначения с прикладными оценками для кода и финансовых запросов. Поскольку она основана на Qwen3-4B и метаданные также указывают на поддержку генерации текста, её архитектурные возможности могут выходить за рамки ранжирования; основное назначение модели — оценка релевантности и сортировка кандидатов.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-mean-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128084618-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.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-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/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130201355-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.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125221415-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.

bahith-arabic-retrieval-4b — текстовая модель эмбеддингов для поиска релевантных арабских фрагментов по запросу, созданная дообучением Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска, извлечения документов и построения RAG-систем на арабских корпусах. В карточке приведены результаты оценки на арабских задачах поиска: модель показывает nDCG@10 0,7971 на MIRACLRetrievalHardNegatives и поддерживает сравнение эмбеддингов по косинусному сходству. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов по метаданным. README указывает максимальную длину последовательности 512 токенов и размер эмбеддинга 2560 измерений; благодаря Matryoshka Representation Learning вектор можно сокращать до 1024, 512, 256 или 128 измерений. Встроенный инструктивный шаблон применяется для запросов, а для документов отдельный шаблон не задан. Модель рассчитана прежде всего на современный стандартный арабский язык; диалекты представлены ограниченно. Лицензия — Apache-2.0.

Это кросс-энкодерный переранжировщик steerrec, дообученный на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Он оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; в README приведена оценка на наборах amazon_test и amazon_val. Модель имеет архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 512 токенов по README; метаданные каталога указывают контекст до 8194 токенов. Лицензия в предоставленных данных не указана.

Это переранжировщик BGE Reranker v2 M3, преобразованный автором репозитория в формат GGUF F16 для запуска через llama.cpp. Модель принимает запрос и список текстовых кандидатов, оценивает их релевантность и возвращает кандидатов в упорядоченном виде; её можно подключить к поисковому конвейеру через сервер llama.cpp и endpoint /v1/rerank. Основа модели — BAAI/bge-reranker-v2-m3. По README, преобразование выполнено скриптом llama.cpp без других изменений; файл GGUF занимает около 1 ГБ. В карточке указаны японский и английский языки. Модель распространяется по лицензии MIT. Автор предупреждает, что при некорректном переносе классификационной головы GGUF может выдавать числовые оценки без ошибки, но эти оценки будут бессмысленными. Перед использованием следует проверить порядок результатов на примерах с заметно различающейся релевантностью. Для работы нужен llama.cpp с режимом --reranking; сервер переранжирования запускается отдельно от сервера эмбеддингов.

biencoder-mMiniLMv2-L12-mmarcoFR — плотный двубашенный энкодер от Antoine Louis для семантического поиска на французском языке. Он кодирует запросы и passages в векторы размерности 384 и оценивает их релевантность по косинусному сходству. Модель построена на XLM-RoBERTa и дообучена на французской части mMARCO — многоязычного машинного перевода MS MARCO; в метаданных указано 124,3 млн параметров и контекст до 514 токенов. Модель предназначена для поиска подходящих фрагментов в больших корпусах, в том числе для семантического поиска по миллионам passages. Для представленных в README экспериментов использовалась максимальная длина запросов и passages 128 токенов. Модель распространяется по лицензии MIT. Оценка проводилась на наборе mMARCO-fr с 6 980 запросами и корпусом из 8,8 млн passages. Эти результаты относятся к французскому поиску и сами по себе не гарантируют качество на других языках или предметных областях.

colbertv1-camembert-base-mmarcoFR — модель ColBERTv1 для семантического поиска на французском языке, созданная Antoine Louis на основе camembert-base. Она кодирует запросы и фрагменты документов в матрицы векторных представлений токенов и ранжирует фрагменты по контекстному сходству с помощью MaxSim; модель предназначена для поиска по крупным коллекциям и извлечения документов для систем RAG. Модель дообучена на французской части mMARCO — машинно переведённой версии MS MARCO. В README указаны размерность представлений 128, максимальная длина запроса 32 токена и фрагмента 256 токенов; метаданные указывают 137,8 млн параметров и нативный контекст 514 токенов. На тестовом наборе mMARCO-fr с 8,8 млн фрагментов она показала MRR@10 29,5 и R@100 80,0. Модель рассчитана на франкоязычный поиск по текстовым запросам и коллекциям документов. Индекс коллекции из 8,8 млн фрагментов в описанной конфигурации занимает около 28 ГБ. Лицензия — MIT.

ColBERT-Zero-unsupervised — модель LightOnAI для поиска релевантных документов по текстовому запросу. Это ColBERT-модель на архитектуре ModernBERT с 149 млн параметров, реализованная через PyLate. Она кодирует запросы и документы в наборы векторов и сопоставляет их методом позднего взаимодействия MaxSim; выходная размерность — 128. В README указаны длины до 39 токенов для запросов и до 187 токенов для документов, а контекст модели по метаданным — 8192 токена. Модель обучена на открытых данных и предназначена для много-векторного поиска и ранжирования документов. В тестах авторов ColBERT-Zero достигла 55,43 nDCG@10 на BEIR. Для сохранения качества необходимо кодировать запросы и документы с соответствующими промптами `search_query:` и `search_document:`; неверное выравнивание промптов может заметно ухудшить результаты. Карточка сообщает об ограничениях обобщения результатов на другие обучающие данные и настройки. Лицензия — Apache-2.0.

facebook/contriever-msmarco — дообученная модель семейства Contriever на основе BERT, разработанная Facebook. Она предназначена для плотного семантического поиска и извлечения признаков текста: преобразует входной текст в векторное представление, которое можно использовать для поиска релевантных документов. Для получения эмбеддинга предложения при работе через Hugging Face Transformers требуется усредняющий mean pooling. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Она дообучена по подходу контрастивного обучения для плотного поиска информации. Лицензия в предоставленных данных не указана.

Это англоязычный разреженный CSR-энкодер, созданный на базе mixedbread-ai/mxbai-embed-large-v1 и дообученный на наборе Natural Questions с использованием Sentence Transformers. Модель предназначена для преобразования запросов и текстовых фрагментов в векторы для семантического поиска и разреженного информационного поиска. Архитектура основана на BERT; размерность векторного пространства — 4096, при этом в выходе может быть не более 256 активных измерений. Для сравнения векторов используется косинусное сходство. Максимальная длина входа составляет 512 токенов. Модель содержит около 433,9 млн параметров и распространяется в формате safetensors. Карточка приводит результаты оценивания на небольших наборах для поиска, включая Natural Questions и MS MARCO; точность зависит от числа активных измерений. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

Это разреженный SPLADE-энкодер, дообученный на наборе all-nli с использованием библиотеки Sentence Transformers. Модель основана на naver/splade-cocondenser-ensembledistil и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BERT-модель для masked language modeling и max-пулинг с ReLU. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; карточка README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска, разреженного извлечения документов и оценки сходства предложений на английском языке. В README приведены результаты оценки на STS-dev и STS-test. Доступна по лицензии Apache-2.0. Ее применение ограничено английским языком и указанной длиной входной последовательности; качество на других языках и специализированных областях не заявлено.

Fusion Embedding 2 2B Preview — мультимодальная модель эмбеддингов Eximius Labs на базе Qwen3-VL-Embedding-2B. Она преобразует текст, изображения, видео и аудио в векторы общего пространства для поиска и сопоставления. Текстовые, визуальные и видеовекторы совпадают с исходной базовой моделью побитово; для аудио обучены 60,6 млн параметров адаптеров и преобразователь признаков аудиобашни Qwen2.5-Omni, при этом основная модель и аудиобашня заморожены. Всего в модели около 2,06 млрд параметров базовой модели и 640 млн параметров аудиобашни. Основная версия рассчитана на поиск по аудио и тексту, мультимодальный поиск, RAG и кластеризацию. Отдельная версия с настройкой на ключевые слова подходит для поиска по произнесённым командам. Модель также может использоваться для сопоставления аудио с изображениями, хотя этому соответствию её напрямую не обучали. В README отмечены слабые результаты на задачах кластеризации и снижение качества распознавания эмоций по голосу; показатели на части тестов могут быть затронуты пересечением обучающих данных и тестовых выборок. Это предварительная исследовательская версия, распространяемая по лицензии CC-BY-NC-4.0.

Это версия Gemma 4 12B в формате SafeTensors, опубликованная пользователем tepirale. Согласно карточке, веса преобразованы из GGUF в SafeTensors; метаданные связывают модель с yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF и классифицируют её как дообученную производную. Модель предназначена для диалоговых сценариев с изображениями; теги также указывают на агентное использование, работу с инструментами и кодом. Архитектура — плотная Gemma4UnifiedForConditionalGeneration, размер семейства — 12B по идентификатору модели. Карточка указывает поддержку изображений и текста, а лицензия в метаданных — Apache-2.0. README сообщает о конверсии формата, но не описывает методику преобразования или проверку сохранности поведения; сведений о контекстном окне и поддерживаемых естественных языках в предоставленных данных нет.

GPT-6 Luna — быстрая и экономичная модель OpenAI из серии GPT-6, позиционируемая ниже GPT-6 Sol. Она предназначена для чат-сценариев, классификации и лёгких агентных задач, особенно при высокой нагрузке и требованиях к низкой задержке. Данных об архитектуре, размере, модальностях, языках, длине контекста и лицензии в предоставленных материалах нет.

ITS Embedding BGE — англоязычная модель эмбеддингов, дообученная ITS Global на основе BAAI/bge-large-en-v1.5 для семантического поиска и извлечения документов в базе знаний ITS Global. Модель на архитектуре BERT преобразует предложения и фрагменты текста в плотные векторы размерностью 1024; для сопоставления запросы и документы нужно кодировать одной моделью. Максимальная длина контекста — 512 токенов. В проверке на наборе ITS из 1 124 запросов модель показала Accuracy@5 0,961744 против 0,916370 у исходной BGE-large-en-v1.5. Этот результат относится к конкретной проверке и настройкам поиска, поэтому не гарантирует аналогичного качества на других данных. Модель формирует эмбеддинги и не генерирует ответы самостоятельно. Распространяется по лицензии MIT.