IV.8Государственное управление, правосудие и чрезвычайные ситуации

Это чекпойнт Uni-NaVid, дообученный командой SatNav для непрерывной навигации по спутниковым картам. Он предназначен для платформы SatNav и интеграции SatNav Uni-NaVid: модель принимает текстовую инструкцию и поток RGB-наблюдений, затем предсказывает последовательность до четырёх действий навигации. Модель основана на архитектуре LLaMA с визуальным энкодером EVA-CLIP; число параметров — 6,6 млрд, контекст — 4096 токенов. Чекпойнт обучен один проход на офлайн-траекториях SatNav-v0.1 с learning rate 1e-5. Карточка указывает лицензию Llama 2. Модель рассчитана на навигационные сценарии SatNav; её применение вне этой интеграции не описано.

camilon/clinical_longformer_same_tokens_1epochs_200k — дообученная модель семейства Longformer для восстановления пропущенных токенов в тексте. Модель построена на архитектуре LongformerForMaskedLM, содержит 151,8 млн параметров и рассчитана на контекст до 4098 токенов. В репозитории веса представлены в формате safetensors. Модель дообучена на базе camilon/clinical_longformer_same_tokens_1epochs_150k; в README указана оценка Loss 1,6335 на наборе для оценки. Название указывает на клиническую специализацию, но карточка не описывает обучающие данные и сценарии применения, поэтому медицинскую точность нельзя считать подтверждённой. Лицензия в предоставленных данных не указана.

lukasdrg/clinical_longformer_same_tokens_240k — дообученная модель семейства Longformer, разработанная автором репозитория lukasdrg на базе lukasdrg/clinical_longformer_same_tokens_220k. Это плотная модель с архитектурой LongformerForMaskedLM и 151,8 млн параметров; она предназначена для предсказания замаскированных токенов в тексте, в том числе для работы с клиническими текстами, на что указывает базовая модель. В метаданных указан контекст 4098 токенов и формат safetensors. Модель подходит для восстановления пропусков и анализа контекстного употребления слов в текстах. Карточка не описывает обучающий набор данных, оценку качества или дополнительные области применения. Лицензия в доступных сведениях не указана.

Модель SandriBarros/clinical_longformer_same_tokens_2epochs_50k — дообученная версия camilon/clinical_longformer_same_tokens_1epochs_250k на клиническом Longformer. Это плотная модель архитектуры LongformerForMaskedLM с 151,8 млн параметров и контекстом до 4098 токенов. Основная задача — восстановление замаскированных токенов в тексте; модель подходит для анализа клинических текстов в сценариях, где нужно предсказывать пропущенные слова или токены. В карточке указана оценка Loss 1,4935 на тестовой выборке, но детали набора данных и методики оценки не приведены. Лицензия в предоставленных данных не указана.

CropModel Tree Genus — модель классификации крон деревьев по родам, разработанная Weecology. Она предназначена для работы с кропами крон, обнаруженных детектором DeepForest, и относит изображение к одному из 54 родов деревьев. Обучение выполнено на RGB-изображениях с 29 площадок NEON в Северной Америке с использованием разметки NeonTreeClassification и полевых данных NEON Vegetation Structure Taxonomy. Модель использует ResNet-18 с предварительным обучением на ImageNet. На вход подаются RGB-кропы размером 224×224 с нормализацией ImageNet; в README указана интерполяция ближайшего соседа при изменении размера. Обучающий набор включает 16 348 крон, а тестовая точность составляет 44%, macro F1 — 0,25, weighted F1 — 0,44, поэтому предсказания требуют проверки, особенно для редких или слабо представленных классов. Модель распространяется по лицензии MIT.

SandriBarros разработала эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_50k. Это плотная модель Longformer для заполнения пропусков в тексте: она предсказывает замаскированные токены и рассчитана на работу с длинными текстами. Модель содержит 151,8 млн параметров, принимает контекст длиной до 4098 токенов и распространяется в формате safetensors. В README указано значение loss 1,4824 на оценочной выборке. Карточка не описывает назначение датасета, языки, методику оценки или ограничения, поэтому качество для конкретных клинических сценариев по этим данным установить нельзя. Условия лицензии в предоставленных сведениях отсутствуют.

SandriBarros разработал эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_150k. Это LongformerForMaskedLM с 151,8 млн параметров, предназначенная для предсказания замаскированных токенов в клинических текстах. Контекст модели составляет 4098 токенов; веса опубликованы в формате safetensors. В README приведено значение loss 1,4616 на оценочной выборке, но подробности набора данных и условий оценки отсутствуют. Модель подходит для заполнения пропусков в клинических текстах; качество для других сценариев по доступным сведениям оценить нельзя. Лицензия в предоставленных данных не указана.

Compumacy-Shrink-24B — специализированная языковая модель от Compumacy, дообученная Daemontatox на корпусе Daemontatox/Psy-Data-books. Модель содержит 24 млрд параметров и использует плотную архитектуру Mistral 3; она предназначена для текстовых диалогов и генерации структурированных ответов по клиническим случаям в психологии и психиатрии. Модель помогает суммировать жалобы, рассматривать дифференциальные диагнозы по DSM-5-TR и ICD-11, оценивать риски, предлагать варианты лечения и планировать наблюдение и направления к специалистам. Карточка описывает её как исследовательский инструмент для специалистов и исследователей в области психического здоровья. Лицензия — Apache-2.0. Это экспериментальная исследовательская версия, а не замена клиническому специалисту. Ответы, включая диагнозы, оценку рисков, рекомендации и ссылки на источники, требуют проверки лицензированным клиницистом; возможны галлюцинации и смещения данных. Не следует вводить персональные или защищённые медицинские данные, а модель не предназначена для кризисной помощи.

DiagTrast-Berto — испаноязычная модель классификации текста, разработанная командой Alberto Martín Garrido, Edgar Mencia, Miguel Ángel Solís Orozco и Jose Carlos Vílchez Villegas. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,1 млн параметров; базовая модель — dccuchile/bert-base-spanish-wwm-cased. Она принимает текстовые высказывания на испанском языке и относит их к одному из пяти выбранных психических расстройств DSM-5, опираясь на смысл текста. Модель предназначена для вспомогательного использования специалистами по психическому здоровью при анализе сгруппированных симптомов. В карточке сообщается о точности 97% на оценочной выборке из 134 примеров; это результат на небольшой выборке, и его не следует считать гарантией качества в других условиях. Контекст ограничен 512 токенами. Лицензия — MIT. Модель всегда выбирает одно из пяти расстройств: в обучающих данных отсутствовала метка «нет расстройства». Она не заменяет профессиональную оценку и не предназначена для самостоятельной диагностики; при предполагаемом сочетании расстройств симптомы следует сгруппировать до подачи текста в модель.

NCS-v1-2.5d-base — базовая модель для извлечения признаков из сейсмических данных, разработанная Норвежским вычислительным центром (NR) совместно с Equinor ASA и AkerBP ASA. Она предназначена для анализа сейсмических объёмов и подготовки представлений для последующей настройки под геологические задачи. Модель основана на ViT-MAE и обрабатывает четыре 2D-среза одной точки объёма: inline, crossline и два диагональных направления. Общий CLS-токен и позиционные кодировки направлений позволяют объединять пространственную информацию между срезами. Архитектура содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Предобучение выполнено на 829 сейсмических кубах Норвежского континентального шельфа из базы DISKOS. Полученные признаки можно использовать для классификации сейсмических фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических изображений и отслеживания горизонтов и событий. Модель рассчитана на сейсмические данные; её представления проверялись на задачах геологической интерпретации с ограниченным числом размеченных примеров. Лицензия — Apache-2.0.

CYFRAGOVPL разработала PLLuM — семейство больших языковых моделей для польского и других славянских и балтийских языков с дополнительными англоязычными данными. Эта версия основана на Llama 3.1 и содержит 69,5 млрд параметров; она предназначена для диалогового использования и генерации текста. Модель работает с текстом и поддерживает контекст до 131 072 токенов. Модель подходит для генерации и суммаризации текста, ответов на вопросы и создания специализированных помощников. В README отмечены результаты на задачах, связанных с польским государственным управлением, и пригодность для сценариев с поиском по документам. Обучение семейства включает продолжение предобучения, настройку на инструкциях и обучение на предпочтениях; для этой версии в метаданных указана лицензия Llama 3.1. Учитывайте, что модель может галлюцинировать и воспроизводить смещения; длинный контекст также требует достаточных вычислительных ресурсов.

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.

nlpctx разработала модель в виде Sentence Transformer, дообученного на основе BAAI/bge-m3 для построения плотных текстовых эмбеддингов. Модель преобразует предложения и абзацы в векторы размерностью 1024 и подходит для поиска по сходству и извлечения релевантных документов; близость векторов оценивается косинусным сходством. В основе лежит XLM-RoBERTa с пулингом CLS и нормализацией выходных векторов. Максимальная длина последовательности — 8192 токена. Обучение проведено на 10 032 парах текстов с MultipleNegativesRankingLoss в направлении «запрос—документ». Примеры в карточке указывают на телугу-английский код-свитчинг и тематику вопросов о полиции и законодательстве Тамилнаду. Модель предназначена для семантического поиска и сопоставления запросов с текстами. Лицензия в предоставленных данных не указана.

PLLuM-12B-instruct-2512 — польскоязычная инструктивная языковая модель семейства PLLuM, разработанная консорциумом PLLuM и продолжаемая альянсом HIVE AI. Модель предназначена для диалогов и общих языковых задач, включая генерацию и суммаризацию текста, извлечение информации и ответы на вопросы; также её можно использовать как основу специализированных ассистентов, в том числе для польской государственной администрации и юридических или бюрократических тем с подключённым поиском по документам. Это плотная авторегрессионная модель архитектуры MistralForCausalLM с 12,1 млрд параметров и контекстом до 131 072 токенов. Обучение включает продолжение предобучения на польских и английских текстах, инструктивную настройку и обучение на предпочтениях. Модель ориентирована прежде всего на польский язык, английский использован для расширения обобщения. Для прикладного использования опубликована в формате safetensors; лицензия — Apache 2.0. Карточка сообщает о хороших результатах на собственных тестах для польской публичной администрации и общих польскоязычных задачах, но не приводит численных оценок для этой версии. Для работы с актуальными или специализированными документами модель следует сочетать с поиском или RAG; ответы могут содержать ошибки и требуют проверки.

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.

GreenNode/GreenNode-Embedding-Large-VN-Mixed-V1 — модель GreenNode для получения плотных векторных представлений предложений и абзацев. Она построена на XLM-RoBERTa с архитектурой Sentence Transformers: векторное представление размерности 1024 нормализуется, а сходство можно оценивать косинусной мерой. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации. В карточке приведены результаты на наборах для поиска по таблицам и вьетнамским юридическим текстам и ответам на вопросы; заявленные языки — вьетнамский и английский. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT.

OriOn-Qwen Synthetic Reasoning 1 — мультимодальная модель LightOn на базе Qwen3-VL-32B-Instruct, дообученная и объединённая с базовыми весами для ответов на вопросы по длинным визуальным документам. Она принимает текстовые вопросы и изображения страниц, извлекает релевантные свидетельства и объединяет сведения с нескольких страниц; подходит для анализа длинных PDF-файлов и презентаций, включая документы объёмом более 250 страниц. Модель построена на архитектуре Qwen3VLForConditionalGeneration, содержит 32 млрд параметров и поддерживает контекст длиной 262 144 токена. Для управления режимом рассуждения в системный запрос можно добавить специальный токен управления. По данным карточки, модель достигает 58,3 на MMLongBenchDoc и выдаёт в среднем около 250 токенов, сохраняя преимущество на длинных документах без явной генерации цепочки рассуждений. Карточка также сообщает о применении в юридических, научных и финансовых сценариях. Лицензия — Apache-2.0.

legalvn/paraphrase-multilingual-MiniLM-L12-v2-168500 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Архитектура включает трансформер BERT с усреднением токенных представлений; модель содержит 124,3 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. Для сравнения текстов используется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. В карточке показаны обучающие примеры на вьетнамском языке, в том числе запросы и фрагменты нормативных документов; контекстная длина в метаданных составляет 512 токенов, а README указывает ограничение последовательности 128 токенов. Лицензия в предоставленных данных не указана.

vladlinv/ru-pii-ner-gliner2.5 — русскоязычная модель извлечения персональных данных, разработанная автором репозитория как полный файнтюн fastino/gliner2.5-multi-v1. Она распознаёт типы и границы имён, адресов, дат, телефонов, электронной почты, государственных и иных идентификаторов, банковских реквизитов, медицинских, судебных, кадровых, учебных и других данных, связанных с человеком. Разметка учитывает контекст и юридический смысл данных по 152-ФЗ и российской правоприменительной практике, стараясь отличать сведения о физических лицах от данных организаций и служебных значений. Модель построена на архитектуре GLiNER2.5 с энкодером mDeBERTa-v3-base и содержит 287 млн параметров. Она предсказывает границы сущностей и сопоставляет найденные фрагменты с заданными на входе метками; заявлена обработка до 4096 токенов за проход. Метки можно адаптировать под собственную схему без переобучения, однако качество подтверждено только для меток из карточки. Модель подходит для выявления персональных данных в документах при подготовке к обезличиванию, включая юридические, кадровые, финансовые, медицинские и административные материалы. Лицензия — Apache-2.0. Оценка выполнена на 405 документах; метрики строгие и требуют точного совпадения границ сущностей. Датасет преимущественно русскоязычный, около 6% примеров — на других языках. Модель может пропускать чувствительные данные, поэтому её следует дополнять регулярными выражениями, словарями и прикладными правилами; коммерческую тайну и конфиденциальные сведения, не относящиеся к физическим лицам, она специально не обнаруживает.

Binh230/bge-m3-finetuned-2 — модель Sentence Transformers на базе XLM-RoBERTa, дообученная для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства, поиска перефразирований, кластеризации и классификации текстов. Модель поддерживает последовательности до 8192 токенов; сходство векторов оценивается косинусной мерой. Для обучения использовано 68 042 парных примера, а архитектура включает трансформер, pooling по CLS-токену и нормализацию векторов. В примерах обучающих данных есть вьетнамские вопросы и фрагменты нормативных документов, поэтому модель подходит для поиска и сопоставления вьетнамских текстов. Лицензия в предоставленных данных не указана.

Dolphin-v2-f32-GGUF — это мультимодальная vision-language модель для интеллектуального разбора документов. Базовая модель Dolphin-v2 разработана ByteDance, а данный репозиторий prithivMLmods содержит её варианты в формате GGUF с разными уровнями квантования. Модель основана на Qwen2.5-VL-3B, насчитывает около 3 млрд параметров и использует vision encoder Native Resolution Vision Transformer (NaViT) вместе с авторегрессионным декодером. Модель предназначена для OCR и структурированного понимания цифровых документов, PDF-файлов, отсканированных и сфотографированных страниц. Она распознаёт заголовки, абзацы, формулы с выводом в LaTeX, таблицы в HTML, код, списки, изображения и другие элементы, возвращая их с абсолютными координатами на странице. Двухэтапная архитектура сначала различает цифровые и фотографированные документы, а затем применяет параллельный поэлементный или целостный разбор. Поддерживаются английский и китайский языки; заявлены сценарии локального использования в медицине, юриспруденции и финансах. К сильным сторонам относятся высокая точность анализа структуры и порядка чтения, распознавания формул и таблиц, устойчивость к искажениям, наклонам и перспективе, а также возможность локального запуска. Для вариантов модели указаны размеры от примерно 791 МБ до 12,3 ГБ; производительность исходной модели заявлена на уровне 0,1729 кадра в секунду на GPU с 8–12 ГБ VRAM, при этом она может превосходить универсальные VLM по скорости и точности. Конкретные характеристики зависят от выбранного GGUF-варианта: более сильное квантование уменьшает требования к памяти, но может снижать качество. Размер контекста и подробные требования к программному обеспечению не указаны. Лицензия — Apache 2.0.

Модель quockhangdev/EmbeddingGemma-300m-Stage-1-model — дообученная версия google/embeddinggemma-300m на базе Sentence Transformers, разработанная автором репозитория quockhangdev. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 для поиска документов и сравнения запросов с текстами. Обучение проводилось на 507 152 парах «запрос — документ» с функцией потерь CachedMultipleNegativesRankingLoss; сходство векторов оценивается косинусной мерой. Модель принимает текст, поддерживает последовательности длиной до 2048 токенов и предназначена для семантического поиска и задач на основе близости эмбеддингов. Пример обучающих данных содержит запросы и нормативные документы на вьетнамском языке, что указывает на полезность для поиска по вьетнамским текстам, но не подтверждает поддержку только этого языка. Веса опубликованы в формате 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.

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.

LLAIM Legal NER — русскоязычная модель распознавания именованных сущностей, разработанная LLAIMlegal для поиска персональных данных и юридических идентификаторов в документах российской правовой практики. Это дообученная модель cointegrated/rubert-tiny2 на архитектуре BERT с примерно 29 млн параметров; она принимает текст и присваивает метки фрагментам, относящимся к 13 типам сущностей, включая имена, адреса, ИНН, ОГРН, СНИЛС, паспортные данные, банковские реквизиты и номера судебных дел. Контекст модели — до 2048 токенов. Модель предназначена для выявления данных перед псевдонимизацией договоров, исков, доверенностей, судебных актов и других юридических документов. Вместе со вспомогательной обработкой найденные значения можно заменить обратимыми токенами и восстановить по локальному словарю; сама модель выполняет обнаружение, а не шифрование или восстановление. Она компактна, работает на CPU и подходит для локального развертывания. В README приведены результаты на небольших выборках, включая overlap micro F1 около 0,94 и strict exact-match F1 около 0,83; качество требует проверки на конкретных данных. Модель выпущена под лицензией MIT.

Это дообученная модель Sentence Transformers, созданная автором dragonkue на основе Snowflake/snowflake-arctic-embed-l-v2.0 и дополнительно обученная на корейских данных для поиска по документам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; для сравнения текстов используется косинусное сходство. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а заявленная максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и оценки сходства текстов на корейском и английском языках. Её можно использовать для поиска по документам, в том числе по запросам в разных формулировках и по содержимому таблиц Markdown; README приводит оценки на корейских наборах для поиска в медицинской, финансовой, юридической, государственной и других областях. Модель опубликована под лицензией Apache-2.0. При этом обучение проводилось с длиной текста до 1300 токенов, поэтому качество поиска по существенно более длинным документам может снижаться; для длинных текстов README рекомендует рассмотреть альтернативы. Заявленная максимальная длина последовательности не гарантирует сохранения качества на всей этой длине.

Vietnamese_Embedding — модель Sentence Transformer, разработанная nrl-ai и дообученная на базе BAAI/bge-m3 для улучшения поиска по вьетнамским текстам. Она преобразует запросы и документы в векторы размерностью 1024; для сравнения используется скалярное произведение. Обучение проводилось примерно на 300 тысячах троек «запрос, релевантный документ, нерелевантный документ». README указывает максимальную длину последовательности 2048 токенов, тогда как метаданные каталога указывают нативный контекст 8194 токена. Модель предназначена для семантического поиска и извлечения релевантных документов на вьетнамском языке. В README приведена оценка на наборе Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7274, MRR@10 — 0,8181. Метаданные также отмечают поддержку извлечения признаков и сходства предложений. Лицензия — Apache 2.0.

kinit/whisper-large-v3-turbo-sk — модель команды KInIT для автоматического распознавания словацкой речи. Это полно-параметрическая донастройка Whisper encoder-decoder на базе openai/whisper-large-v3-turbo; в метаданных указано 905,2 млн параметров. При обучении использовался курируемый корпус словацкой речи, а 75% обучающих пакетов дополнительно усиливались синтетическим фоновым шумом для повышения устойчивости к условиям реальных записей. Модель предназначена для транскрибации словацкой речи из записей в разных предметных областях и акустических условиях. На тестовом наборе Common Voice 24.0 указаны WER 9,29% и CER 2,55%; на внутреннем наборе KInIT — WER 5,60% и CER 2,65%. По README, версия v2 добавила шумовую аугментацию и улучшила результаты относительно v1. Модель ориентирована на словацкий язык: донастройка существенно ухудшает распознавание других языков. Надёжная длина одного сегмента — до 30 секунд; более длинное аудио следует обрабатывать с разбиением на фрагменты. Качество может снижаться на сильных акцентах, диалектах и речи из областей, недостаточно представленных в обучающих данных. Для критически важных расшифровок требуется проверка человеком. Лицензия — MIT.

colbert-ko-v1 — корейская многовекторная модель эмбеддингов ColBERT, дообученная автором yjoonjang с помощью PyLate на корейских данных. Она предназначена для семантического поиска по документам, извлечения релевантных фрагментов и повторного ранжирования результатов с помощью позднего взаимодействия MaxSim. Архитектура основана на ModernBERT с линейным проекционным слоем 768→128; модель содержит 148,7 млн параметров и принимает текстовые запросы и документы. README указывает длину запроса до 32 токенов и документа до 1024 токенов, а метаданные — контекст 16 384 токена. Модель ориентирована исключительно на корейский язык. В README приведены оценки на наборах для многошагового поиска ответов и корейского поиска по документам, включая медицинские и общественные материалы; результаты сравниваются с jina-colbert-v2. Доступны веса safetensors, библиотека PyLate, лицензия Apache-2.0. Для применения нужны индекс документов и поисковый конвейер; модель формирует векторы для оценки релевантности, а не готовые текстовые ответы.

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.