II.6Документация и сопровождение разработки

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.

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке. Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

Это пакет слоёв GGUF модели MiniMax-M2.1-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Он получен из unsloth/MiniMax-M2.1-GGUF и сохраняет исходное распределение GGUF, разделённое на артефакты по слоям для запуска на кластере Mesh LLM. Пакет предназначен для локального и приватного диалогового инференса, объединения памяти и вычислительных ресурсов нескольких машин, а также для обслуживания запросов через локальный API, совместимый с OpenAI Chat Completions. Указан вариант квантования UD-Q4_K_XL. Детали архитектуры, число параметров, контекст, поддерживаемые языки и условия лицензии следует сверять с карточкой исходной модели.

MyAwesomeModel — модель из репозитория lfeng03/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она относится к архитектурному семейству BERT и предназначена для извлечения признаков из текста. Основной сценарий применения — получение векторных представлений, которые затем можно использовать в задачах классификации, поиска и анализа текста. В README модель также описывается как обновлённая система с улучшенными способностями к рассуждению, математике, программированию, логике, генерации текста, суммаризации, переводу и function calling. Однако заявленные в README характеристики генеративной чат-модели не согласуются с метаданными, где pipeline_tag указан как feature-extraction; поэтому для каталога надёжнее ориентироваться на извлечение признаков и BERT-подобную архитектуру. Модель распространяется по лицензии MIT.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

RashidNLP/NER-Deberta — модель RashidNLP для распознавания именованных сущностей. Она основана на предобученной DeBERTa-v3-base и дообучена на Few-NERD: наборе данных с более чем 180 тысячами примеров и 4,6 миллиона токенов. Модель обрабатывает текст и присваивает метки токенам, выделяя людей, организации, места, здания, события, продукты, искусство и другие сущности. Модель предназначена для извлечения сущностей из англоязычных текстов, например для последующего поиска, индексирования или анализа документов. Размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT. Карточка не приводит оценок качества или дополнительных ограничений.

NVIDIA NV-QwenOmni-Embed-3B-v1 — мультимодальная модель эмбеддингов для поиска и извлечения информации. Она основана на Thinker-компоненте Qwen/Qwen2.5-Omni-3B; компонент Talker для генерации ответов не входит в модель. По данным карточки, модель содержит 4,7 млрд параметров и использует архитектуру Transformer с отдельными кодировщиками зрения и аудио. Она принимает текст, изображения, аудио и видео по отдельности или в сочетании, а также мультимодальные запросы, и возвращает векторы эмбеддингов размерностью 2048. Максимальная длина контекста — 32 768 токенов. Модель обучена как bi-encoder с контрастивным обучением: запросы и материалы кодируются независимо в общем пространстве эмбеддингов. Она предназначена для мультимодальных RAG-систем, поиска по медиакорпусам и межмодального извлечения, включая поиск видео по тексту, аудио по тексту и визуальных документов. Для крупных нетекстовых входов, например длинных видео, может потребоваться настройка разрешения и выборки кадров. Карточка рекомендует запуск на NVIDIA GPU; указана совместимость с A100 и H100. Условия использования регулируются NVIDIA Open License Agreement и Qwen Research License Agreement.

Ornith-1.0-35B — модель семейства Ornith от DeepReinforce AI, дообученная для агентного программирования и генерации кода. Это вариант на 35 млрд параметров архитектуры Qwen 3.5 MoE; веса опубликованы в формате safetensors. Модель поддерживает диалог и интерфейс вызова инструментов, поэтому её можно подключать к агентным фреймворкам и терминальным coding CLI через совместимый с OpenAI API сервер. Модель предназначена для решения задач разработки ПО: анализа кодовых баз, выполнения задач в терминале, исправления ошибок и создания репозиториев. В README заявлены результаты на бенчмарках Terminal-Bench, SWE-Bench, NL2Repo и других тестах агентного программирования. Для запуска описаны vLLM и SGLang; приведённая конфигурация рассчитана на узел с восемью GPU по 80 ГБ. В README указаны контекстные окна до 400K токенов в отдельных тестовых конфигурациях и 262144 токена в примере запуска через vLLM. Модель распространяется по лицензии MIT. Её специализация на коде и агентных сценариях не гарантирует корректность сгенерированных изменений или действий инструментов; для практического применения следует проверять результаты.

thang1943/phobert-base-v2-c-loss — модель Sentence Transformers, дообученная автором на базе вьетнамского энкодера vinai/phobert-base-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура включает RoBERTa-энкодер с усреднением токенных представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 256 токенов по README и до 258 токенов по метаданным. Модель предназначена для поиска семантически похожих текстов, поиска перефразировок, кластеризации, классификации текста и задач информационного поиска. Базовый PhoBERT ориентирован на вьетнамский язык, поэтому основное применение этой модели — вьетнамские предложения и документы. В карточке приведены результаты оценки информационного поиска, но данных недостаточно, чтобы установить их переносимость на другие наборы данных. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия в предоставленных данных не указана.

breezedeus/pix2text-table-rec — модель распознавания структуры таблиц для Pix2Text, основанная на Table Transformer и дообученная на наборах PubTables1M и FinTabNet.c. Это компактная модель на архитектуре DETR с Transformer-детектором объектов; в репозитории указано 6,3 млн параметров. Она предназначена для обнаружения таблиц и их элементов на изображениях документов, чтобы использовать результаты в конвейерах извлечения и распознавания табличной структуры. Модель принимает изображения документов и выдаёт обнаруженные объекты, в том числе области таблиц. Она описана как форк исходной модели Table Transformer с возможностью дальнейшего развития. Репозиторий распространяется по лицензии MIT. Карточка не приводит сведений о поддерживаемых языках или численном размере контекста; применимость зависит от качества изображения и соответствия документа типам таблиц, представленным в обучающих данных.

PP-OCRv3_mobile_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в серию PP-OCRv3_rec и предназначена для использования как распознающий модуль в OCR-системах и конвейерах обработки документов. Модель основана на архитектуре SVTR, адаптированной для промышленного применения; в серии PP-OCRv3 она заменила CRNN. Она распознаёт строки на китайском и английском языках, с основным фокусом на китайский. Конвейер PP-OCRv3 может объединять распознавание с обнаружением текста, коррекцией ориентации и выравниванием изображений, но эти возможности относятся к конвейеру в целом, а не только к данной модели. Модель подходит для извлечения текста из изображений документов и других сцен с печатными строками. В README лицензия не описана, а метаданные указывают Apache-2.0. Результат распознавания может быть неверным; в приведённой оценке строка считалась ошибочной при любой неверно распознанной букве или знаке пунктуации.

PP-OCRv6_medium_rec_onnx — модель распознавания текста на изображениях из семейства PP-OCRv6, разработанная PaddlePaddle и предназначенная для использования в библиотеке PaddleOCR. Она преобразует визуальное содержимое текстовых областей в последовательность символов и подходит для OCR-сценариев, включая обработку документов и изображений с текстом. Модель представлена в формате ONNX и относится к варианту medium линейки PP-OCRv6. В README указано, что семейство включает модели размером от 1,5 до 34,5 млн параметров, однако точный размер данной модификации не приведён. Заявлена поддержка английского и китайского языков; модель работает с изображениями и выдаёт текст, но сведения о точных архитектурных компонентах, максимальном контексте и ограничениях по размеру входных данных отсутствуют. К сильным сторонам относятся специализация на распознавании текста, интеграция с PaddleOCR и переносимость благодаря формату ONNX. Ограничения и показатели качества для данной версии в README не указаны, поэтому её производительность на конкретных типах изображений следует проверять отдельно. Модель распространяется по лицензии Apache 2.0.

Карточка модели AnonimXxx/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Qwen3 Coder Plus — проприетарная версия Alibaba модели Qwen3 Coder 480B A35B. Она предназначена для программирования и работы в роли автономного агента, в том числе с вызовом инструментов. Модель подходит для генерации и редактирования кода, а также для сценариев, где агент выполняет программные задачи с помощью инструментов. В доступной карточке указаны специализация на программировании и поддержка tool calling; другие технические характеристики и подробности обучения не приведены. Модель проприетарная; условия лицензии и использования в доступных данных не описаны.

Nicolassuez выпустил квантованную версию Qwen3-Reranker-0.6B для ранжирования текстовых кандидатов по релевантности запросу. Модель основана на Qwen/Qwen3-Reranker-0.6B; в репозитории заявлены веса GPTQ W8A16 с группами размера 128, упакованные как int8-значения и масштабы без повторной квантизации. Архитектура — плотная Qwen3ForCausalLM, размер — 507,6 млн параметров, контекст — до 40 960 токенов. Вариант использует пользовательский код: веса int8 остаются в VRAM и деквантуются при каждом прямом проходе; заявленный объём resident-весов — 740 МиБ против 1136 МиБ для bf16. Для оценки применяется официальный шаблон Qwen3-Reranker, а релевантность извлекается как вероятность токена «yes» из логитов последней позиции. README сообщает о совпадении выбора лучшего кандидата с родительским GPTQ-вариантом на проверенных запросах при заданном пороге разницы оценок. Модель предназначена для многоязычного ранжирования и переупорядочивания результатов поиска. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True; версии Transformers следует фиксировать, поскольку численные результаты могут различаться между версиями 4.57 и 5.14.

Lipdog/Qwen3-Reranker-4B-mlx-fp16 — модель ранжирования текстов на базе Qwen3 с 3,7 млрд параметров, подготовленная для запуска в формате MLX. README указывает, что она получена конвертацией Qwen/Qwen3-Reranker-4B с помощью mlx-lm версии 0.28.3. Модель оценивает релевантность текстовых кандидатов запросу и предназначена для сортировки результатов поиска и других задач ранжирования. Модель принимает текст и выдаёт оценки релевантности, которые можно использовать для упорядочивания документов или ответов. Она поддерживает контекст длиной до 40 960 токенов; метаданные указывают задачи text-ranking и text-generation, но основное назначение — реранжирование. Репозиторий распространяется по лицензии Apache-2.0.

furiosa-ai/Qwen3-Reranker-8B — версия модели Qwen/Qwen3-Reranker-8B, подготовленная для запуска через Furiosa-LLM на ускорителе FuriosaAI RNGD. Это плотная трансформерная модель семейства Qwen3 с 7,6 млрд параметров. Она принимает текстовый запрос и набор кандидатных документов и возвращает оценки релевантности, по которым результаты можно переупорядочить; типичный сценарий — второй этап поиска в RAG-системах. Контекст составляет до 40 960 токенов. Модель работает в исходной точности BF16 без квантизации; для RNGD используется параллелизм по тензорам на 8 вычислительных элементах одной карты. Репозиторий также содержит Furiosa Executable Bundle, а README указывает совместимость с Sentence Transformers, vLLM и Transformers. Модель распространяется по лицензии Apache 2.0. Описание не приводит результатов сравнительной оценки качества; запуск с Furiosa-LLM на RNGD требует соответствующего оборудования и программной среды.

Qwen3-VL-Reranker-2B-8bit — мультимодальная модель ранжирования от mlx-community, преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания результатов поиска; семейство Qwen3-VL также поддерживает работу с визуальным содержимым. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует плотную архитектуру Qwen3-VL с классом Qwen3VLForConditionalGeneration. В репозитории указаны веса SafeTensors и библиотека Transformers. Лицензия — Apache 2.0. README не сообщает конкретные сведения о контекстном окне и поддерживаемых языках.

RobBERT-2023-base-ft — дообученная модель на базе DTAI-KULeuven/robbert-2023-dutch-base, представленная в формате sentence-transformers. Она предназначена для получения представлений нидерландских запросов и документов и измерения сходства между предложениями; авторы сообщают о сильных результатах на MTEB-NL. Модель построена на архитектуре RoBERTa, содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, сопоставления запросов с фрагментами документов и задач ранжирования на нидерландском языке. В README приведён пример кодирования запросов и текстов из MS MARCO; в метаданных перечислены датасеты BEIR-NL для поиска, вопросов и ответов и проверки фактов. Лицензия — MIT. Модель работает с текстом и выдаёт эмбеддинги, которые можно использовать для вычисления сходства и поиска. Её специализация — нидерландский язык; приведённая оценка качества относится к MTEB-NL, а результаты на других языках и типах данных не описаны.

Это модель классификации текстовых пар на основе RoBERTa Large, опубликованная организацией garak-llm. Она обучена на SNLI, MultiNLI, ANLI и FEVER для вывода по двум текстам: следуют ли они друг из друга, нейтральны ли по отношению друг к другу или противоречат. В garak её используют как детектор для проверки того, опровергает ли ответ модели заданное утверждение. Модель имеет около 454 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые пары с контекстом до 512 токенов. Выдаёт одну из трёх меток: entailment, neutral или contradiction. Лицензия — MIT. Языковые данные в метаданных не указаны, поэтому поддерживаемые языки нельзя надёжно перечислить.

Модель tomaarsen/span-marker-mbert-base-multinerd — модель для распознавания именованных сущностей (NER), разработанная на базе SpanMarker и обученная на датасете MultiNERD. В качестве кодировщика используется bert-base-multilingual-cased; модель дообучена для классификации фрагментов текста и выделения сущностей.

Kyutai STT — потоковая модель автоматического распознавания речи, разработанная Kyutai. Вариант kyutai/stt-1b-en_fr предназначен для транскрибации английской и французской речи и содержит около 1,1 млрд параметров. Модель использует декодерную архитектуру Transformer и многопоточный подход Moshi: аудио кодируется токенизатором Mimi, а модель предсказывает текстовые токены с задержкой около 0,5 секунды. Модель начинает выдавать транскрипт по мере поступления аудио, поддерживает потоковую обработку и работает с длинными записями. Она рассчитана на шумные условия и формирует текст с заглавными буквами и пунктуацией; временные метки текста можно восстановить с учётом задержки потока. Для работы через Transformers требуется версия 4.53.0 или новее. Веса распространяются по лицензии CC-BY 4.0.

Tooka-SBERT-V2-Large — крупная модель Sentence Transformers на архитектуре BERT, разработанная PartAI на базе TookaBERT-Large. Она преобразует предложения и абзацы в плотные векторные представления для оценки семантического сходства, поиска и ранжирования текстов. Для асимметричного поиска запросы оформляются с префиксом «سوال: », а документы — «متن: ». Модель дообучена с функциями потерь CachedMultipleNegativesRankingLoss и CoSENTLoss на синтетических наборах данных. В карточке сообщается, что на бенчмарке PTEB она в среднем превосходит mE5-Base; результаты зависят от задачи. Модель рассчитана на персидский язык, имеет 451,8 млн параметров и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

Alibaba-NLP/UEmbed-9B — мультимодальная модель эмбеддингов на базе декодерной архитектуры Qwen3.5 с 9 млрд параметров. Она за один проход формирует плотные векторы и разреженные SPLADE-представления, пригодные для поиска по смыслу и по лексическим совпадениям. Модель принимает текст, изображения, видео и смешанные входы, представляя их в общем пространстве поиска. Модель предназначена для построения текстовых и мультимодальных поисковых систем, включая поиск по изображениям и визуальным документам. Плотные нормализованные векторы подходят для семантического поиска, а разреженные активации связаны с терминами словаря и могут использоваться в обратном индексе. Согласно карточке, модель обучена на 3,94 млн публичных примеров, включая данные для текстового и мультимодального поиска. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — CC BY 4.0.

vectorizer.vanilla — англоязычная модель-векторизатор компании Sinequa для поиска релевантных фрагментов по запросу. Она строит эмбеддинги запросов и passages, которые можно индексировать и сопоставлять для семантического поиска и извлечения информации. Модель основана на MiniLM-L6-H384 и архитектуре BERT, содержит около 25,9 млн параметров, выдаёт векторы размерности 256 и принимает последовательности длиной до 512 токенов. Она нечувствительна к регистру и диакритическим знакам. Модель обучена на парах «запрос — фрагмент» и триплетах с негативными примерами; качество оценивалось на англоязычных наборах BEIR, средний Recall@100 составляет 0,639. Подходит для построения векторного индекса и поиска по запросам. Для работы в Sinequa требуется версия не ниже 11.10.0; для CUDA указана вычислительная возможность выше 7.5. Лицензия в предоставленных данных не описана.

Карточка модели hudsonai-app/whisper-large-v3-turbo-4bit на Hugging Face совпадает с карточкой mlx-community/whisper-large-v3-turbo-4bit, поэтому описание составлено по ней. mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

spokedotso/whisper-large-v3-turbo-4bit — 4-битная квантизованная версия Whisper large-v3-turbo от OpenAI, опубликованная Spoke для распознавания речи на устройствах Apple Silicon. Модель использует архитектуру Whisper; исходный чекпойнт содержит около 809 млн логических параметров, а веса квантованы до 4 бит с размером группы 64. В каталоге репозиторий указан как производный от openai/whisper-large-v3-turbo; README сообщает, что веса совпадают по контрольным суммам с upstream-конверсией mlx-community. Модель предназначена для преобразования аудио в текст непосредственно на устройстве с помощью mlx-whisper. Базовая Whisper large-v3-turbo — ускоренная мультиязычная модель для распознавания речи и перевода аудио в текст. Репозиторий использует формат safetensors и лицензию Apache-2.0; сведения о конкретных языках и максимальной длине аудио в карточке отсутствуют.

IronPooh/xlm_roberta_hard_negatives — текстовый Cross Encoder, дообученный на базе FacebookAI/xlm-roberta-base с библиотекой Sentence Transformers. Модель оценивает пары текстов одним выходным баллом и предназначена для переранжирования результатов поиска и семантического поиска; её также можно применять для классификации пар по релевантности. Архитектура — XLMRobertaForSequenceClassification с 305,2 млн параметров. Модель принимает только текст, максимальная длина последовательности составляет 514 токенов по метаданным. README сообщает о бинарной классификации и приводит для набора xlm-roberta-val accuracy 0,8483 и F1 0,8033. Обучающая выборка содержит 5 691 пример. Базовая XLM-RoBERTa многоязычная, а примеры в карточке включают украинский текст; метаданные не задают конкретные языки именно для этой дообученной модели. Лицензия в предоставленных данных не указана.

Zhihui_LLM_Embedding — модель эмбеддингов китайского текста, разработанная Lenovo Zhihui для поиска и ранжирования документов. Она основана на 7,1-миллиардной gte-Qwen2-7B-instruct и использует двунаправленное внимание при контрастивном обучении вместо обычного причинного внимания декодерной модели. Вектор строится методом pooling по последнему токену, его размерность — 3584; заявленная длина контекста составляет 131072 токена. Модель рассчитана на извлечение текстовых эмбеддингов для семантического поиска и задач retrieval. В README сообщается о первом месте на C-MTEB с результатом 76,74 по состоянию на 25 июня 2024 года. Для обучения применялись дистилляция данных с помощью GPT-3.5 и GPT-4, подбор сложных негативных примеров и модифицированная функция контрастивных потерь. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.