IV.11Патенты, товарные знаки и интеллектуальная собственность

Octen-Embedding-8B — текстовая модель эмбеддингов, разработанная Octen и дообученная методом LoRA на базе Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска и извлечения документов, сравнения текстов, кластеризации и создания векторных представлений для последующей классификации или ответов на вопросы. Модель построена на архитектуре Qwen3, содержит 7,6 млрд параметров, формирует эмбеддинги размерностью 4096 и поддерживает контекст до 40 960 токенов. Модель заявлена как мультиязычная, с поддержкой более 100 языков, включая английский и китайский; также заявлены межъязыковой поиск и поиск по коду. В README указаны специализации для юридических, финансовых, медицинских и программных материалов, а также первое место в RTEB по состоянию на 12 января 2026 года. Для документов без префикса README рекомендует добавлять в начало «- » из-за известной проблемы в upstream-модели. Качество может различаться по языкам и областям, документы длиннее контекста требуют усечения; генерация текста не является назначением модели. Лицензия — Apache 2.0.

pan0sk/bge-m3-legal-v2 — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная для семантического поиска и сравнения текстов с акцентом на юридические материалы, законодательство и общие тексты. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализует их и предназначена для сравнения по косинусному сходству; архитектура включает XLM-RoBERTa с пулингом CLS-токена. В метаданных указаны 658,7 млн параметров, библиотека Sentence Transformers и контекст до 8194 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска по правовым документам, оценки сходства текстов, поиска перефразирований, кластеризации и классификации текстов. Карточка называет обучающие наборы legal, statute и general; приведённый пример данных — на греческом языке, но полного перечня поддерживаемых языков нет. Репозиторий содержит веса safetensors и вариант GGUF F16. Лицензия в предоставленных сведениях не указана.

zerank-1 — плотная языковая модель-реранкер от ZeroEntropy, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и переупорядочивает найденные результаты, чтобы улучшить выдачу поисковой или retrieval-системы. Разработчик сообщает о сильных результатах на финансовых, юридических, программных, научно-технических, медицинских и диалоговых данных; в приведённых оценках модель превосходит перечисленные закрытые реранкеры на нескольких наборах задач. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и доступна в формате safetensors. Метаданные указывают контекст до 40 960 токенов; в README указано 32 768 токенов. Для использования предлагается библиотека sentence-transformers и класс CrossEncoder. Модель принимает текстовые запросы и документы и выдаёт оценки ранжирования. Выпущена по лицензии Apache 2.0.

TheMohanad1/Fine-Tuned-E5 — модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-large для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Она основана на XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов (в метаданных указано 514 токенов нативного контекста). Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её обучали с помощью MultipleNegativesRankingLoss на 1 109 парах предложений, включая примеры на арабском языке из юридической тематики Саудовской Аравии. Поддержка других языков согласуется с многоязычной базовой моделью, однако карточка не перечисляет языки обучения или оценки. Модель принимает текст и возвращает векторы; доступный формат весов — safetensors. Лицензия в предоставленных данных не указана.

SingularityUS/legal_topic_retriever3 — модель на базе BERT, разработанная SingularityUS для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, в том числе для подбора документов по сходству смыслов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; для работы предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

ColPali v1.3 HF — модель визуального поиска по документам, основанная на PaliGemma-3B и разработанная проектом ViDoRe. Она формирует многовекторные представления страниц документов и текстовых запросов, а затем сопоставляет их методом MaxSim в стиле ColBERT. Модель дообучена на парах «запрос — страница», преимущественно из академических наборов данных и веб-страниц PDF; обучающие запросы на английском языке. Модель предназначена для поиска релевантных страниц в визуально насыщенных документах, например PDF, когда важны не только извлечённый текст, но и визуальные особенности страницы. Она принимает текстовый запрос и изображение страницы документа, выдаёт векторы для поиска и оценки релевантности. Для загрузки используется библиотека Transformers; лицензия — Gemma. Для воспроизведения обученного формата следует установить префикс запроса «Query: »: поставляемый процессор по умолчанию использует «Question: ».

Карточка модели prodm93/singularity_retriever_v3 на Hugging Face совпадает с карточкой SingularityUS/legal_topic_retriever3, поэтому описание составлено по ней. SingularityUS/legal_topic_retriever3 — модель на базе BERT, разработанная SingularityUS для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, в том числе для подбора документов по сходству смыслов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; для работы предусмотрено использование Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

Карточка модели RamyAhmed55/bge-m3-arabic-legal на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

ember-v1 — англоязычная модель эмбеддингов текста от vectoriseai, построенная на архитектуре BERT. Она обучена на корпусе пар текстов из разных областей, включая финансы, науку, медицину и право; при обучении использовались приёмы из работ RetroMAE и SetFit. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости, например в поиске и ранжировании текстов. Модель содержит около 433,9 млн параметров и обрабатывает до 512 токенов; более длинные входы обрезаются. В README приведён результат 63,54 в среднем по 56 задачам MTEB при размерности эмбеддингов 1024. Доступны форматы PyTorch, safetensors и ONNX. Лицензия — MIT; разработчик также предлагает доступ к модели через API LLMRails.

Карточка модели ng3owb/finance_embedding_8k на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Это Sentence Transformer, дообученный на базе intfloat/multilingual-e5-small для поиска и сравнения юридических текстов. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между ними можно оценивать косинусной близостью. Архитектура состоит из трансформера BERT, усредняющего пулинга токенов и нормализации векторов. Модель подходит для семантического поиска по правовым документам, подбора релевантных фрагментов к запросу, поиска перефразировок и группировки текстов. В README приведены обучающие пары «запрос — фрагмент» и оценка на задаче информационного поиска. Максимальная длина последовательности — 512 токенов; модель рассчитана на многоязычный текст, а приведённый пример обучающих данных — на испанском языке. Это модель эмбеддингов, а не генератор ответов или юридических заключений. Её качество зависит от соответствия корпуса и запросов данным обучения; приведённые метрики относятся к указанной оценке и не гарантируют качество в других правовых системах или языках. В предоставленных материалах сведения о лицензии отсутствуют.

ModernBERT Embed base LegalTextAI Matryoshka legaldataset — англоязычная модель эмбеддингов, разработанная LegalTextAI путём дообучения nomic-ai/modernbert-embed-base на 41 342 парах текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска, сравнения текстов, поиска перефразирований, классификации и кластеризации. Архитектура Sentence Transformer основана на ModernBERT с усреднением токенов и нормализацией; контекст — до 8192 токенов. Matryoshka-представления позволяют использовать сокращённые векторы размерностью 512, 256, 128 или 64. Обучающие примеры связаны с юридическими текстами: вопросы сопоставляются с фрагментами судебных документов. Модель подходит для поиска релевантных юридических материалов и построения семантических индексов; README также указывает общие сценарии работы с текстом. Лицензия — Apache 2.0. Указанные оценки получены на наборе InformationRetrievalEvaluator; переносимость результатов на другие корпуса отдельно не подтверждена.

dinghy-law-4b-v1 — модель плотных текстовых эмбеддингов от Hanno Labs, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска по юридическим корпусам. Она предназначена для извлечения релевантных законов, судебных решений и договорных фрагментов, а также для сопоставления, кластеризации и дедупликации юридических текстов. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3 и выдаёт вектор размерности 2560. Для запросов поддерживается инструкция задачи; документы кодируются без неё. По умолчанию модель обрабатывает до 8192 токенов, а настройка позволяет использовать контекст базовой модели до 40960 токенов. Модель оптимизирована для англоязычных, немецкоязычных и китайскоязычных юридических текстов. В собственной оценке разработчика на MTEB(Law, v1) она получила 71,24 по Mean(Task) nDCG@10; это результат измерения автора, а не официальное место в таблице лидеров. Модель подходит для первого этапа поиска и ранжирования в юридических RAG-системах, включая локальные и изолированные развёртывания. Она формирует эмбеддинги, но не генерирует ответы и не предоставляет юридические консультации. Лицензия — Apache-2.0.

Hiro-Layout — модель PatSnap для анализа структуры страниц патентных и технических PDF. Она обнаруживает и классифицирует области документа: текст, заголовки, таблицы, формулы, химические структуры, иллюстрации, подписи, библиографии и другие элементы, включая патентные разделы. Модель основана на RT-DETR; опубликованный артефакт — экспорт в ONNX. Таксономия включает 25 категорий. Карточка приводит результаты оценки на патентных PDF и NPD PDF, при этом качество зависит от категории и типа документа. Модель предназначена для поиска областей страницы и разметки макета как этапа обработки технических документов; Hiro-Smart-Doc использует её в процессе анализа макета и OCR. Модель принимает изображения страниц и выдаёт обнаруженные области с метками. В карточке заявлена поддержка китайского и английского языков. Условия лицензирования указаны как Apache-2.0. Модель может ошибаться на сканах низкого разрешения, повёрнутых страницах, рукописных документах, необычных форматах и ранее не встречавшихся шаблонах; для юридических и других важных процессов требуется проверка человеком.

jfrost10/legal-ft-7f9f08e4-892d-410a-9df4-7dc4e3b6505f — дообученная модель Sentence Transformers на основе Snowflake/snowflake-arctic-embed-l, предназначенная для сопоставления текстовых запросов и документов. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов, в том числе в сценариях работы с юридическими материалами, что предполагает название репозитория. README сообщает о дообучении на 156 парах предложений и приводит результаты оценки поиска, однако этих данных недостаточно, чтобы считать качество подтверждённым для широкого применения в юридической сфере. Лицензия в предоставленных данных не указана.

Muffakir_Embedding_V2 — модель векторных представлений предложений, разработанная Mohamed Khaled и дообученная на базе sayed0am/arabic-english-bge-m3 для арабского поиска и извлечения документов. Она использует архитектуру XLM-RoBERTa в формате bi-encoder и содержит 453,1 млн параметров. Модель обучалась на примерно 70 тысячах арабских пар предложений, в том числе на данных из египетских юридических книг и открытых многоотраслевых датасетов. Модель предназначена для плотного поиска, ранжирования релевантных фрагментов и поиска контекста для систем RAG, вопросно-ответных систем и агентных приложений. Она выдаёт эмбеддинги размерностью 1024 и поддерживает сокращение размерности до 64 с помощью Matryoshka-представлений. Заявлена поддержка арабского языка; базовая модель также связана с арабско-английской тематикой, однако README описывает обучение и применение прежде всего для арабского. В карточке заявлены сильные результаты на задачах арабского retrieval, включая пятое место в категории Retrieval на Arabic RAG Leaderboard. Контекст модели составляет 8194 токена. Лицензия в предоставленных сведениях не указана.

Карточка модели Stern5497/sbert-legal-swiss-roberta-base на Hugging Face совпадает с карточкой Stern5497/sbert-legal-xlm-roberta-base, поэтому описание составлено по ней. Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

Roflmax/bge-m3-legal-ru — дообученная Roflmax на базе BAAI/bge-m3 модель Sentence Transformer для векторного представления русскоязычных юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, слой pooling по CLS-токену и нормализацию. Репозиторий использует библиотеку Sentence Transformers, а число параметров составляет 658,7 млн. Модель предназначена для семантического поиска и сравнения юридических запросов с документами, а также для поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты поиска по судебным и нормативным материалам. Метаданные указывают контекст до 8194 токенов, тогда как карточка описывает максимальную длину последовательности в 512 токенов; фактическое ограничение может зависеть от используемой конфигурации модели. Лицензия в предоставленных данных не указана.

ColFlor — модель для поиска по визуальному содержимому документов, представленная авторами проекта ColFlor. Она обрабатывает страницы документов как изображения и выполняет поиск без отдельного OCR-конвейера. Модель насчитывает 174 млн параметров; авторы сообщают, что по сравнению с ColPali она в 17 раз меньше, быстрее кодирует запросы и изображения, а качество на англоязычных документах с большим количеством текста ниже на 1,8%. Репозиторий содержит веса в формате safetensors. Модель предназначена для поиска документов и страниц по текстовому запросу, в том числе в крупных базах PDF. Она рассчитана на английский язык. Авторы отмечают заметный разрыв в качестве при работе с рисунками по сравнению с более крупными моделями, такими как ColPali, и слабую работу на других языках. Лицензия — MIT.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

dinghy-law-8b-v1 — мультиязычная модель эмбеддингов Clause Logic Inc., дообученная на базе NVIDIA Nemotron-3-Embed-8B-BF16 для поиска по юридическим текстам. Это плотная модель на 8 млрд параметров с архитектурой Ministral3; она кодирует запросы и документы в нормализованные векторы размерностью 4096, используя роли `query: ` и `passage: `. Карточка описывает поддержку английского, немецкого и китайского языков и контекст до 262 144 токенов для базовой модели; опубликованная конфигурация Sentence Transformers ограничивает вход 8192 токенами. Модель предназначена для первого этапа поиска, семантического поиска и извлечения документов для юридических RAG-систем на собственных корпусах: законы, судебные решения, договоры и юридические вопросы. В тесте MTEB(Law, v1) авторы сообщают средний nDCG@10 72,58 по восьми задачам; это результат их воспроизведения, а не официальное место в таблице MTEB. Модель возвращает эмбеддинги и оценки близости, но не генерирует ответы и не предоставляет юридические консультации. Модельные веса распространяются по лицензии `other`; README указывает на лицензии и атрибуцию обучающих данных, но не уточняет условия лицензии самих весов. Результаты лучше всего подтверждены для английских, немецких и китайских юридических данных; другие языки и юрисдикции могут быть вне обучающего распределения.

johnbrumett-uofu/legal-ft-v0 — текстовая Sentence Transformer-модель, дообученная на базе Snowflake/snowflake-arctic-embed-l для семантического поиска и сопоставления предложений и документов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов; она преобразует текст в плотные эмбеддинги размерности 1024, а сходство оценивается косинусной мерой. Модель рассчитана на поиск релевантных документов по запросу, оценку семантического сходства, поиск перефразирований, кластеризацию и классификацию текста. Максимальная длина последовательности — 512 токенов. В README приведены результаты оценки информационного поиска на небольшом наборе, а также описание 156 обучающих примеров; этого недостаточно, чтобы судить о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

diegolacomba выпустил sentence-transformers-модель для получения эмбеддингов предложений и абзацев. Она основана на BERT и преобразует текст в плотные векторы размерностью 384; представление строится усреднением токенных эмбеддингов. Для сравнения текстов предусмотрена косинусная близость. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. Максимальная длина входа — 512 токенов. В названии указано назначение для юридических текстов, однако README не уточняет языки обучения или конкретные юридические задачи. Метаданные указывают формат safetensors; лицензия не приведена.

Reason-mxbai-colbert-v0.1-32m — англоязычная модель поиска документов, разработанная на основе mixedbread-ai/mxbai-edge-colbert-v0-32m и дообученная командой DataScience-UIBK. Это компактная ColBERT-модель с архитектурой ModernBERT и поздним взаимодействием: она строит многовекторные представления запросов и документов и сопоставляет их с помощью MaxSim. Размер составляет около 31,9 млн параметров, размерность вектора на токен — 128, а длина контекста по метаданным — 7999 токенов. Модель предназначена для семантического поиска и ранжирования документов, в том числе по сложным естественно-языковым и формальным математическим запросам. В версии v0.1 исправлена конфигурация остаточной связи проекционного слоя и расширена выходная проекция с 64 до 128 измерений; автор сообщает улучшение среднего BRIGHT nDCG@10 с 19,00 до 19,61 относительно v0. Лицензия — Apache-2.0. Модель специализируется на retrieval, а не на генерации ответов. Для сравнения длинных документов вычисления MaxSim могут быть затратными; результаты зависят от параметров обработки запросов и документов, а README приводит оценку с конкретными ограничениями длины и способом поиска.

BGE-M3 Legal Spanish — модель Sentence Transformers, созданная Wilfredo Martel дообучением BAAI/bge-m3 на наборе rtz20250828. Она кодирует испанские запросы и документы, включая юридические тексты, в плотные векторы размерностью 1024 для семантического поиска и сравнения сходства. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; максимальная длина последовательности — 8192 токена, сходство рассчитывается по косинусной метрике. Модель предназначена для поиска релевантных юридических материалов на испанском языке, ранжирования кандидатов по смысловой близости, поиска перефразировок и кластеризации текстов. В README приведены метрики поиска на тестовом наборе, однако они не гарантируют аналогичного качества на других корпусах. Модель выдаёт векторы, а не готовые ответы или юридические заключения; область применимости и качество следует проверять на целевых данных. Лицензия — Apache-2.0.

BGE-M3 Legal Spanish — модель эмбеддингов предложений на базе BAAI/bge-m3, дообученная Wilfredomartel на 546 265 парах запросов и релевантных документов из набора rvzrtx600k20250828. Она преобразует текст в нормализованные плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения испаноязычных юридических запросов и документов. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена; максимальная длина последовательности — 8194 токена по метаданным. Модель подходит для поиска релевантных судебных и правовых материалов, оценки сходства текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на наборе eval_dim_768, включая cosine_accuracy@1 0,8451; эти показатели относятся к указанной конфигурации оценки. Лицензия — Apache-2.0.

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.

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.

litil-embed-0.6b — текстовая модель эмбеддингов для поиска по юридическим документам, разработанная litillabs на основе Octen/Octen-Embedding-0.6B. Модель дообучена на юридических данных для поиска, использует дистилляцию от Octen-Embedding-8B и объединённый с базовой моделью LoRA-адаптер. Архитектура — плотная Qwen3, размер — 507,6 млн параметров; контекст — до 32 768 токенов, размерность выходных эмбеддингов — 1024. Модель рассчитана на английский, немецкий и китайский языки и совместима с базовой моделью по архитектуре, токенизатору и промптам. Модель предназначена для семантического поиска и извлечения релевантных положений из юридических документов, включая поиск соответствующих клауз по вопросам. В оценке MTEB(Law, v1) результаты различаются по наборам данных: есть улучшение на немецком юридическом поиске, тогда как на AILACasedocs результат ниже базовой модели. Лицензия — Apache 2.0.