Perplexity ценят за ответ со ссылкой на источник, но бизнесу чаще нужен такой же ответ не по интернету, а по своим документам: регламентам, договорам, базе знаний поддержки. Это собирается из открытых моделей: эмбеддинги находят нужные куски, реранкер расставляет их по точности, языковая модель формулирует ответ. Всё это работает на вашем сервере, документы не индексируются снаружи, запросов можно делать сколько угодно, а поиск настраивается под вашу терминологию. Минус — это не готовый продукт: нужны хранилище векторов, разбор документов, обновление индекса и интерфейс, то есть проект на разработку. И ответ модели по-прежнему может звучать уверенно и быть неверным, поэтому ссылку на исходный документ показывают всегда.
Эмбеддинги Сбера, заточенные под русский язык: по данным разработчиков, в числе лучших на русскоязычных тестах поиска. FRIDA компактная, Giga-Embeddings мощнее.
Модель для поиска по смыслу на сотне языков. Основа RAG: бот находит нужный кусок документа перед ответом.
Эмбеддинги и реранкеры на базе Qwen3, в числе лучших открытых для многоязычного поиска, включая русский. VL-версии ищут по картинкам, скриншотам и видео.
Проверенные модели для смыслового поиска. Многоязычные версии хорошо работают с русским и до сих пор служат надёжной основой для RAG.
Реранкеры: берут найденные поиском фрагменты и переставляют их по реальной близости к вопросу. Версия v2-m3 многоязычная и лёгкая, её часто ставят в пару к bge-m3.
Все пять в каталоге отмечены как разрешённые для коммерции (MIT и Apache 2.0), только у отдельных вариантов BGE Reranker действует лицензия Gemma. Языковую модель, которая формулирует ответ, выбирают отдельно, и её лицензию проверяют так же.
Открытую модель можно поставить на свой сервер: данные не уходят в чужое облако, нет оплаты за каждый запрос, модель можно дообучить на ваших документах.
