I.11Классификация, ранжирование и сопоставление

Prism Performance RM Downscaled Diversity — модель классификации текста, дообученная Henry202 на базе meta-llama/Llama-3.2-1B-Instruct с помощью TRL. Она предназначена для оценки текста скалярной оценкой вознаграждения: в карточке показан пример получения score для фразы. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForSequenceClassification и формат safetensors; заявленная длина контекста — 131072 токена. Базовая модель поддерживает несколько языков, однако языки и качество оценки именно этой модели отдельно не описаны. Лицензия в предоставленных данных не указана.

Prometheus 2 8x7B — языковая модель для детальной оценки ответов других языковых моделей и обучения reward-моделей в RLHF. Её разработала команда Prometheus; модель основана на Mistral-Instruct, дообучена на наборах Feedback Collection и Preference Collection, а затем объединена слиянием весов, чтобы поддерживать два режима оценки: абсолютное выставление баллов по рубрике и попарное ранжирование ответов. Модель принимает текстовый запрос на английском языке с инструкцией, ответом или парой ответов, критериями оценки и эталонным ответом. Она выдаёт текстовую обратную связь и оценку либо решение о том, какой ответ лучше. Архитектура — Mixtral MoE; число параметров указано в метаданных как 7,1 млрд, контекст — до 32 768 токенов. Для применения нужны соответствующие шаблоны промптов и формат диалога Mistral. Модель предназначена для оценки качества ответов и сравнения вариантов в исследовательских и прикладных конвейерах RLHF. Лицензия — Apache 2.0. Оценки зависят от заданных инструкции, рубрики и эталона; модель ориентирована на английский язык.

response-toxicity-classifier-base — русскоязычный классификатор сообщений на базе BERT, разработанный в Skoltech и дообученный в рамках стажировки в Tinkoff Никитой Степановым под руководством Александра Маркова. Модель обрабатывает текст диалога с учётом контекста и относит сообщение к одному из четырёх классов: приемлемое, токсичное, резко токсичное или затрагивающее рискованные чувствительные темы. В карточке Hugging Face указаны 190,7 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для модерации русскоязычных интернет- и чатбот-диалогов, выявления оскорблений, агрессивных сообщений и высказываний на чувствительные темы. На приведённых в README проверочных данных F1 для класса приемлемых сообщений составляет 0,896–0,940; для остальных классов результаты варьируются от 0,295 до 0,729, поэтому качество обнаружения токсичных и рискованных сообщений неодинаково. Модель распространяется по лицензии MIT.

russian_spam_detector — русскоязычная модель классификации текста, разработанная corall88. Она определяет, является ли сообщение спамом: LABEL_1 означает спам, LABEL_0 — обычное сообщение. Модель предназначена для фильтрации сообщений, в том числе в Telegram. Это дообученная для бинарной классификации модель RuModernBERT-base с архитектурой ModernBERT и 149 млн параметров. Метаданные указывают контекст до 8192 токенов; в обучении использовалась максимальная длина последовательности 256 токенов. Модель обучали четыре эпохи на наборе alt-gnome/telegram-spam. README сообщает accuracy, F1 и precision по 0,99, но не приводит детали оценки. Модель принимает текст и выдаёт метку класса. Она распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Aime2k2/spam-email-distilbert — англоязычная модель классификации текста на базе DistilBERT, дообученная для обнаружения спама в электронной почте. Она принимает текст письма и относит его к одному из классов; в README приведены результаты оценки: accuracy 0,9874, F1 0,9785, precision 0,9705 и recall 0,9867. Модель построена на DistilBERTForSequenceClassification, использует библиотеку Transformers и формат safetensors; базовая модель поддерживает контекст до 512 токенов. Датасет для дообучения не описан, поэтому приведённые метрики не позволяют судить о качестве на других источниках писем. Лицензия — Apache-2.0.

Модель yusufekorman/turkce-edebiyat-embedding-bge-m3-basic — дообученная модель эмбеддингов для турецких литературных текстов. Она предназначена для поиска семантически близких фрагментов, сравнения предложений и кластеризации произведений или отрывков на турецком языке. Модель построена на XLM-RoBERTa с pooling и нормализацией; размер эмбеддинга — 1024, максимальный контекст — 8194 токена. В метаданных указаны 658,7 млн параметров, библиотека Sentence Transformers и формат Safetensors. Для проверки автор приводит результаты на небольших наборах из 89 и 111 примеров; они не гарантируют аналогичного качества на других корпусах. Дообучение выполнено на открытых литературных материалах, классике турецкой литературы в общественном достоянии и структурированных paraphrase-триплетах. Базовая модель — nezahatkorkmaz/turkce-embedding-bge-m3. Лицензия в предоставленных данных не указана.

cardiffnlp/twitter-roberta-base-emotion — модель Cardiff NLP для распознавания эмоций в сообщениях Twitter. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена на бенчмарке TweetEval для классификации эмоций. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель присваивает тексту оценки по эмоциональным категориям, например радости, оптимизму, гневу и грусти. Её можно использовать для анализа тональности и эмоций в публикациях и коротких сообщениях на английском языке. Доступны варианты весов для PyTorch, TensorFlow и Flax. В README указана более новая модель семейства с расширенным набором эмоций; применимость текущей модели ограничена короткими сообщениями в стиле Twitter и метками её обучающего бенчмарка. Лицензия в предоставленных данных не указана.

VNLegal-LAL — модель эмбеддингов для вьетнамских юридических текстов, разработанная как дообученная версия mainguyen9/vietlegal-harrier-0.6b. Она использует архитектуру Qwen3 в составе Sentence Transformers и создаёт векторы размерности 1024; в README указана максимальная длина последовательности 2048 токенов, а метаданные каталога указывают нативный контекст 32768 токенов. Модель предназначена для семантического поиска и сопоставления юридических запросов с документами, а также для ранжирования найденных текстов по сходству. В тестировании на бенчмарке Zalo AI Legal Text Retrieval авторы сообщают NDCG@10 0,8488, MRR@10 0,7993 и Recall@10 0,9772. Модель принимает текст и выдаёт векторные представления; поддерживаемый язык — вьетнамский. Модель распространяется по лицензии Apache 2.0. Указанные в README результаты относятся к конкретному юридическому бенчмарку и сами по себе не гарантируют качество на других наборах документов или вне вьетнамской юридической тематики.

Это модель SentenceTransformer, разработанная Dilovancelik на основе sentence-transformers/all-distilroberta-v1 и дообученная на наборе danish_law_qa. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель построена на RoBERTa с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена прежде всего для семантического поиска и сопоставления вопросов с контекстами в датских юридических материалах. Её также можно применять для поиска похожих формулировок, кластеризации и извлечения признаков для классификации текстов. В README приведены результаты TripletEvaluator на двух наборах, однако они не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги. Она наследует англоязычную базу DistilRoBERTa, а дообучение выполнено на датском юридическом наборе, поэтому применимость к другим языкам и областям может быть ограничена. Лицензия в предоставленных данных не указана.

allenai-specter — преобразование модели AllenAI SPECTER в формат Sentence-Transformers. Это плотная модель на архитектуре BERT с 137,1 млн параметров; она кодирует заголовки и аннотации научных публикаций в векторы, располагая семантически близкие статьи рядом. Контекст ограничен 512 токенами. Модель предназначена для поиска и сопоставления научных работ по их заголовкам и аннотациям, включая поиск похожих публикаций и построение векторных индексов научной литературы. Работает с текстом на английском языке и предоставляет эмбеддинги для вычисления сходства. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Репозиторий содержит конверсию исходной AllenAI SPECTER для Sentence-Transformers, а не новую обученную модель. Лицензия — Apache-2.0. Модель ориентирована на научные публикации и не заявлена как универсальный эмбеддер для любых типов текстов.

Карточка модели rmaser/aloe-siglip2-large-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Artistic_Interests_binary — англоязычная модель классификации текста на основе DeBERTa-v3-base от Microsoft, дообученная автором ajrayman для бинарной классификации интереса к искусству. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT. Её можно использовать для автоматической классификации текстов по признаку интереса к искусству. В README приведены результаты оценки: accuracy 0,6276 и F1 0,6551; набор данных указан как None, поэтому назначение меток и область применения стоит уточнить перед использованием. Описания обучающих данных и ограничений автор не предоставил.

CAMeLBERT-MSA — предобученная на современном литературном арабском языке модель BERT, разработанная CAMeL Lab. Это вариант семейства CAMeLBERT для MSA, обученный на корпусах арабских текстов общим объёмом 107 ГБ; модель содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель предназначена для восстановления скрытых токенов в тексте и как основа для дообучения под задачи NLP на арабском языке, в том числе распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалекта и классификацию поэзии. Предобучение на MSA делает её подходящей для текстов на современном литературном арабском, но не гарантирует одинакового качества на разговорных диалектах или классическом арабском. Максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0.

gchhablani/bert-base-cased-finetuned-rte — модель на основе BERT, разработанная как дообученная версия bert-base-cased для классификации текстовых последовательностей. Она обучена на наборе GLUE RTE и предназначена для определения, следует ли гипотеза из данного текста, а также для сравнения результатов google/fnet-base и bert-base-cased. Модель содержит 135,5 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. На оценочном наборе GLUE RTE модель показала точность 0,6715 и loss 0,7260. Доступны веса PyTorch; лицензия — Apache-2.0. Карточка не описывает ограничения или дополнительные сценарии применения.

Карточка модели dkleczek/bert-base-polish-cased-v1 на Hugging Face совпадает с карточкой dkleczek/bert-base-polish-uncased-v1, поэтому описание составлено по ней. dkleczek/bert-base-polish-uncased-v1 — uncased польская языковая модель BERT, созданная Дареком Клечеком (Darek Kłeczek). Она предназначена для заполнения замаскированных фрагментов текста и дальнейшего дообучения для задач понимания польского языка. Модель основана на архитектуре BERT с 12 слоями, размерностью скрытого состояния 768 и 12 головами внимания; метаданные указывают 159,3 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и Flax. Модель обучалась на польских текстах из Open Subtitles, ParaCrawl и Польского парламентского корпуса. Автор отмечает, что в uncased-варианте некоторые польские символы и диакритические знаки могут некорректно обрабатываться токенизатором после приведения к нижнему регистру; это может особенно влиять на классификацию токенов. Обучающий корпус Open Subtitles также содержал много дубликатов, а обучение не использовало Whole Word Masking. Автор рекомендует cased-вариант. В карточке не указана лицензия.

BERT large uncased — англоязычная предварительно обученная модель семейства BERT, разработанная Google. Она использует трансформерный энкодер с 24 слоями, размерностью скрытого представления 1024 и 16 головами внимания. Метаданные указывают 433,9 млн параметров; в карточке модели приводится конфигурация на 336 млн параметров. Модель обучена на BookCorpus и английской Википедии с задачами предсказания замаскированных токенов и следующего предложения. Текст приводится к нижнему регистру, используется токенизатор WordPiece с словарём из 30 000 токенов; максимальная длина контекста — 512 токенов. Основной сценарий непосредственного применения — заполнение пропусков в английском тексте. Также представления BERT можно использовать как основу для дообучения на классификации последовательностей и токенов или ответах на вопросы. Модель не предназначена для свободной генерации текста; для неё обычно требуется дообучение под целевую задачу. Предсказания могут отражать смещения обучающих данных. Модель распространяется по лицензии Apache-2.0. Метаданные указывают варианты весов для PyTorch, TensorFlow и Flax, включая safetensors.

BERT Tiny, дообученная модель от mrm8488 для классификации текстов с целью выявления потенциально недостоверных новостей. Модель основана на архитектуре BERT и содержит около 4,4 млн параметров; поддерживает английский язык и обрабатывает входные последовательности длиной до 512 токенов. Для запуска предназначена экосистема Transformers и PyTorch. Модель подходит для предварительного скрининга новостных публикаций, сообщений и других англоязычных текстов на признаки fake news. Небольшой размер делает её удобной для локального применения и сервисов с ограниченными вычислительными ресурсами, однако результаты классификации не следует рассматривать как окончательное доказательство достоверности информации. В доступных данных лицензия и точная схема классов не указаны.

Модель разработана Иваном Петрликом Асабаче, Марией Тереситой Майданой, Йоандрой Гиселой Альварес Перес и Рафаэлем Лопесом Кордовой как академический проект по обработке естественного языка. Это дообученная модель BERTweet-base на основе архитектуры RoBERTa с головой классификации последовательностей на два класса; она содержит около 162,4 млн параметров и принимает короткие англоязычные сообщения длиной до 130 токенов. Модель определяет, описывает ли твит реальное бедствие — например, пожар, землетрясение, наводнение или аварию — либо использует связанную с катастрофами лексику в переносном или повседневном смысле. Её можно применять для фильтрации и приоритизации сообщений в мониторинге чрезвычайных ситуаций и социальных сетей. В карточке указаны F1 0,8211 на валидации и 0,83113 на публичной части соревнования Kaggle при пороге 0,62. Модель обучена на ограниченном наборе размеченных англоязычных твитов; сарказм, переносные выражения и шумные метки могут приводить к ошибкам. Она не предназначена для других языков и не должна быть единственным основанием для критически важных решений без проверки человеком. Лицензия — MIT.

Карточка модели Mooshie/caformer_b36.dbv4-full на Hugging Face совпадает с карточкой animetimm/caformer_b36.dbv4-full, поэтому описание составлено по ней. animetimm разработала модель многометочной классификации изображений на основе CAFormer, предназначенную также для извлечения визуальных признаков. Это дообученная версия timm/caformer_b36.sail_in22k_ft_in1k_384, адаптированная на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full для предсказания 12 476 тегов, включая общие теги, персонажей и рейтинговые категории. Модель содержит 134 млн параметров и рассчитана на изображения 384 × 384 пикселя. Её можно использовать с timm и PyTorch для обучения и оценки, а также выполнять инференс в формате ONNX. В README приведены метрики на тестовой выборке: micro F1 0,689 при пороге 0,40; качество различается между категориями тегов. Модель подходит для автоматической разметки изображений в стиле Danbooru и поиска изображений по предсказанным тегам. Она ориентирована на соответствующий набор тегов, поэтому качество на иных типах изображений и вне этой таксономии не подтверждено. Лицензия — GPL-3.0.

CANINE-c — предварительно обученная многоязычная модель Google для представления текста. Модель основана на архитектуре CANINE и содержит 113,2 млн параметров. В отличие от моделей с WordPiece или SentencePiece, она работает непосредственно с символами, представляя каждый символ его кодовой точкой Unicode; контекст составляет до 16 384 токенов. CANINE-c обучена на текстах 104 языков из многоязычной Википедии с задачами восстановления замаскированных фрагментов символов и предсказания следующего предложения. Она предназначена для извлечения признаков, которые можно использовать в последующих задачах, например классификации последовательностей, разметки токенов и ответов на вопросы. Модель не предназначена для генерации текста. Весам предоставлена лицензия Apache-2.0. Ограничение токенизации снимает зависимость от словаря субслов, но сама модель требует дообучения или отдельной задачи на основе её представлений для большинства прикладных сценариев.

Модель star092304/cefr-level-deberta-v3-base — англоязычный классификатор слов по уровням владения лексикой CEFR от A1 до C2. Она разработана на основе microsoft/deberta-v3-base и дообучена на аннотациях CEFR из набора star092304/CEFR-Annotated-WordNet. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов; файлы модели представлены в формате safetensors. Модель предназначена для оценки сложности слов, профилирования словарного запаса и подбора лексики в приложениях для изучения английского языка и адаптивных обучающих системах. На обучении использовались отдельные лексические единицы после лемматизации и сопоставления значений; из данных исключались многословные выражения и имена собственные. Оценка относится к сложности слова, а не к конкретному контексту: многозначные слова могут соответствовать разным уровням в зависимости от употребления. Результаты следует трактовать как приблизительную оценку, а не как достоверную разметку или основание для важных образовательных решений. Модель распространяется по лицензии MIT.

aki-0421/clip-anime-patch400-10k-v1 — CLIP-модель для поиска и извлечения персонажей аниме по сходству. В метаданных указана архитектура CLIPQwenVLModel, объединяющая модели cl-nagoya/ruri-v3-310m и Qwen/Qwen2.5-VL-7B-Instruct; репозиторий использует Sentence Transformers и формат safetensors. Модель предназначена для подбора похожих персонажей и поиска по мультимодальным представлениям. Карточка связывает её с японским языком; лицензия — Apache-2.0. Размер модели и длина контекста не установлены по доступным данным.

Cobalt-Safety-Guard — модель на архитектуре BERT, представленная пользователем yding03 и предназначенная для извлечения признаков из текста. В README также заявлено, что модель прошла постобучение с акцентом на безопасность и настройку отказов, однако базовая модель и подробности обучения не приведены. Карточка сообщает о результатах в задачах рассуждения, но метаданные указывают только задачу feature-extraction. Поэтому по доступным сведениям модель можно описать как инструмент для получения текстовых представлений, а не как подтверждённую разговорную систему модерации. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

Conflibert-binary-classification — модель классификации текста, разработанная на основе ConfliBERT и дообученная для различения событий конфликта и отсутствия конфликта. Она предназначена для анализа текстовых описаний событий и отнесения их к одному из двух классов. Модель использует архитектуру BERT с головой классификации последовательностей и содержит 136,3 млн параметров. Максимальная длина контекста — 512 токенов. Веса доступны в формате Safetensors; лицензия — GPL-3.0. Базовая модель — eventdata-utd/ConfliBERT-scr-uncased. Модель специализирована на текстах о политических конфликтах и насилии. Карточка не сообщает результаты оценки качества или подробности о поддерживаемых языках, поэтому переносить её на другие тематические области или языки следует с осторожностью.

ConvNeXTAIimagedetector — модель классификации изображений на архитектуре ConvNeXt Tiny, разработанная как дообученная версия facebook/convnext-tiny-224. Она предназначена для распознавания изображений, связанных с обнаружением изображений, созданных искусственным интеллектом. В README приведены результаты оценки: точность 0,9826 и loss 0,0518; набор данных и подробности оценки не раскрыты. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель fefofico/crisis_trained_f2llm_selection — классификатор текста SetFit, дообученный на базе codefuse-ai/F2LLM-v2-80M для выявления текстов о кризисах международной безопасности. Она кодирует текст с помощью Sentence Transformer на архитектуре Qwen3, а затем передаёт признаки классификатору LogisticRegression. Модель выдаёт один из двух классов: positive или negative; в примерах положительный класс связан с эскалацией международных конфликтов и угрозами безопасности. Модель предназначена для классификации коротких текстов и новостных фрагментов по тематике кризисов. В карточке указана максимальная длина последовательности 40960 токенов, однако обучающие примеры преимущественно короткие. Для оценки на тестовых данных указаны F1 Macro 0,8303 и F1 Binary 0,8105. Распространяется в формате safetensors по лицензии базовой модели, сведения о которой в предоставленных данных отсутствуют.

deka-qwen3-emb-0.6b-multipos-fact — текстовая модель эмбеддингов, созданная Anonymous Research на основе Qwen/Qwen3-Embedding-0.6B полным дообучением всех параметров. Она предназначена для поиска релевантных решений Верховного суда Таиланда по корпусу из 9 998 дел и обучена на оценках релевантности судебных дел с использованием supervised contrastive learning. Модель формирует нормализованные векторы размерности 1024; запросы подаются с инструкционным префиксом, а документы — без него. Базовая модель поддерживает контекст до 32 768 токенов, однако документы длиннее 1 300 токенов в описанном поисковом конвейере обрезаются. На тестовом наборе из 105 запросов дообучение повысило полноту поиска на десяти лучших результатах для запросов, сформулированных простым языком, и по фактам дела, но метрики ранжирования первого релевантного результата в этих регистрах снизились. Результаты ограничены небольшим тестовым набором, одним запуском и неполными оценками релевантности. Модель предназначена для поиска, а не для определения юридической силы прецедента или проверки актуальности решения. Лицензия — Apache-2.0.

deka-qwen3-emb-0.6b-triplet-fact — текстовая модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она обучалась по triplet objective сопоставлять запросы с текстами раздела fact; для запросов требуется префикс-инструкция из обучения, а документы подаются без него. Модель использует pooling последнего токена с левым padding и L2-нормализацией, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует Sentence Transformers и формат safetensors; лицензия Apache-2.0. На тесте по полному корпусу с чистыми qrels для запросов раздела fact указаны R@10 34,76, nDCG@10 21,88 и MRR 0,2701; результаты заметно различаются по типам запросов, поэтому качество зависит от регистра запроса. Модель предназначена для семантического поиска и ранжирования тайских судебных дел, а не для генерации ответов.

deka-qwen3-emb-0.6b-weight-fact — полноценно дообученная модель на базе Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она создаёт плотные текстовые эмбеддинги для поиска судебных документов по запросам; настройка рассчитана на сопоставление запросов с текстами в регистре fact и использует пулинг последнего токена с нормализацией L2. В метаданных указаны 507,6 млн параметров, контекст до 32 768 токенов и библиотека sentence-transformers. Для запросов требуется префикс инструкции, использованный при обучении; для документов префикс не добавляется. Наилучший результат разработчик получил после первой эпохи: R@10 на dev — 38,5. В тесте полнотекстового корпуса Recall@10 составил 32,86 для регистра fact, 24,76 для lawer и 8,57 для user, поэтому качество заметно зависит от регистра запроса. Модель распространяется по лицензии Apache-2.0.

Модель deka-qwen3-emb-0.6b-weight-fact-anompos — полноценно дообученная Anonymous Research модель Qwen3-Embedding-0.6B для поиска решений Верховного суда Таиланда. Она сопоставляет запросы с текстами судебных дел, используя эмбеддинги и семантическое ранжирование; обучена на запросах, связанных с разделом фактических обстоятельств дела (fact). Для получения корректных результатов запросу необходим префикс инструкции, использованный при обучении, а документам этот префикс добавлять не нужно. Модель содержит 507,6 млн параметров, использует плотную архитектуру Qwen3, последний токен с левым дополнением для pooling и L2-нормализацию. Контекстное окно составляет 32 768 токенов; при обучении максимальная длина документов была 1300 токенов, а запросов — 256. Карточка приводит результаты поиска на тайских судебных делах: наилучшие показатели получены для запросов в регистре fact, тогда как результаты для пользовательских запросов и запросов юристов ниже. Распространяется по лицензии Apache-2.0.