I.14Автоматизация процессов и AI-агенты

Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели LoyalTyAI/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели Mafasasa/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

DreamOn-v0-7B — языковая модель Dream-org на архитектуре Dream, построенная как плотная модель на 7,1 млрд параметров. Она использует дискретную диффузию для генерации текста и предназначена прежде всего для дополнения пропусков в коде: во время вывода модель динамически расширяет или сокращает маскируемые области, позволяя управлять длиной результата без заранее заданного размера холста. Модель принимает токены и генерирует текст; в карточке также заявлены диалоговый режим и интерфейс для вызова инструментов. README указывает ограничение контекста в 2048 токенов, включая вход и выход, и отмечает, что число новых токенов должно быть не меньше числа масок в запросе. Основные проверки проводились с одним переносимым токеном на шаг; другие настройки этого параметра проверены не полностью. Модель распространяется под лицензией Apache-2.0.

ECE-1B-merge-PRYMMAL — языковая модель LilRg, полученная слиянием Qwen2.5-1.5B-Instruct и Qwen2.5-1.5B методом SLERP с помощью LazyMergekit. Это плотная причинная трансформерная модель семейства Qwen2, содержащая 1,5 млрд параметров и принимающая текст для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов; в метаданных также отмечен интерфейс вызова инструментов. Модель подходит для компактных чат-приложений, генерации и продолжения текста, а также формирования структурированных ответов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README не приводит результатов оценки качества или конкретных ограничений поведения модели.

EraX-WoW-Turbo-V1.0 — модель распознавания речи команды EraX, дообученная на базе OpenAI Whisper Large-v3 Turbo. Она преобразует аудио в текст и предназначена для быстрой транскрибации, создания субтитров, расшифровки встреч и работы голосовых приложений. Архитектура Whisper, размер — 905,2 млн параметров. В карточке заявлены обучение на примерно 300 тысячах примеров (около 1000 часов аудио) и поддержка вьетнамского, хинди, китайского, английского, русского, немецкого, украинского, японского, французского, нидерландского и корейского языков; также заявлена обработка аудио в реальном времени. Автор приводит предварительную оценку WER около 12%, но сообщает, что бенчмарки ещё завершаются. Модель может быть полезна для автоматической расшифровки речи, субтитров и голосовых интерфейсов. README отмечает возможные трудности с детской речью и тихим шёпотом. Указана лицензия MIT.

EstBERT_NER — дообученная модель семейства BERT, разработанная на базе эстонской модели tartuNLP/EstBERT для распознавания именованных сущностей в эстонском тексте. Она размечает упоминания людей (PER), организаций (ORG) и мест (LOC), например в документах и новостях. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи классификации токенов. Её можно использовать через pipeline Transformers для NER; результаты иногда требуют постобработки, поскольку модель может помечать как сущности отдельные части слов. Лицензия — CC BY 4.0.

EstBERT_NER_v2 — модель распознавания именованных сущностей в эстонском тексте, разработанная группой TartuNLP Института компьютерных наук Тартуского университета. Это дообученная на эстонских наборах данных NER модель на архитектуре BERT с 151,6 млн параметров и контекстом до 512 токенов. Она присваивает метки токенам текста, выделяя сущности, включая даты, события и географические названия. Модель подходит для извлечения сущностей из эстонских документов и подготовки текста для последующего поиска или анализа. На тестовой выборке указаны F1 0,7678 и точность 0,9672; результаты различаются по типам сущностей. Иногда модель отмечает как сущности отдельные части слов, поэтому может потребоваться постобработка. Лицензия — CC BY 4.0.

ettin-32m-nemotron-pii — компактная модель распознавания персональных данных, разработанная на основе энкодера Ettin и дообученная на наборе NVIDIA Nemotron-PII. Это ModernBERT с 31,9 млн параметров, предназначенный для маркировки фрагментов текста и обнаружения более 50 типов PII в структурированных и неструктурированных данных. Модель рассчитана на английский язык и заявлена для текстов из разных областей, включая здравоохранение, финансы, право и кибербезопасность. В карточке указана оценка F1 95,73 на тестовой выборке из 10 тысяч примеров; качество различается между типами сущностей, и для распознавания профессий приведена заметно более низкая оценка F1 0,5949. Модель принимает текст и возвращает метки сущностей по токенам. Лицензия — MIT.

ettin-68m-nemotron-pii — компактная модель для обнаружения и разметки персональных данных в тексте. Она основана на энкодере Ettin-68M от JHU CLSP и дообучена на наборе данных NVIDIA Nemotron-PII; архитектура — ModernBERT для классификации токенов, размер — 68,1 млн параметров, максимальная длина контекста — 7 999 токенов. Модель выделяет более 50 типов PII в структурированном и неструктурированном английском тексте, включая номера счетов, даты рождения и API-ключи. Её можно применять для поиска чувствительных данных в документах и подготовки текстов к обезличиванию в медицинских, финансовых, юридических и других сценариях. В карточке приведён результат F1 96,27 на тестовой выборке из 10 тысяч примеров Nemotron-PII; точность и полнота составили 96,35 и 96,19 соответственно. Показатели различаются по типам сущностей: например, для профессий F1 заметно ниже. Модель принимает текст и возвращает метки сущностей на уровне токенов. Она рассчитана на английский язык и может хуже работать на других языках; качество также зависит от типа PII. Лицензия — MIT.

Это модель EVA-02 в варианте CLIP, опубликованная организацией timm (PyTorch Image Models). Она предназначена для классификации изображений без примеров обучения на заданных категориях: изображение сопоставляется с текстовыми описаниями классов, а модель оценивает их соответствие. Модель использует архитектуру EVA-02 с патчами 14×14 и CLIP-подобное совместное представление изображений и текста; входной размер изображения — 224 пикселя. В названии указаны обучение на LAION-2B и вариант обучения s9b продолжительностью 144k шагов. Модель принимает изображения и текстовые метки или описания, выдаёт оценки соответствия для выбора наиболее подходящей категории. Для использования предусмотрена библиотека OpenCLIP. Репозиторий распространяется по лицензии MIT. Карточка не приводит конкретный перечень поддерживаемых естественных языков; качество зависит от формулировки текстовых меток и состава данных обучения.

ExperimentTwo, также называемая NerdySamanthaV2, — языковая модель на архитектуре Mistral, созданная слиянием моделей методом Model Stock с помощью mergekit. В основу взята mistralai/Mistral-7B-v0.1; также объединены cognitivecomputations/samantha-1.2-mistral-7b и uukuguy/speechless-code-mistral-7b-v1.0. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста. Контекстное окно составляет 32 768 токенов; сочетание компонентов Samantha и Speechless Code ориентирует её на диалоговые ответы и задачи с кодом, хотя README не приводит отдельных оценок качества или подробных сценариев применения. Модель объединяет возможности исходных чекпойнтов, но карточка не содержит результатов тестирования, поэтому качество на конкретных задачах следует проверять самостоятельно. Лицензия — Apache-2.0.

Ext2Gen-8B-R2 — дообученная командой DISLab языковая модель для генерации ответов на вопросы в RAG-системах. Она сначала извлекает из найденных фрагментов предложения, относящиеся к запросу, затем формирует ответ. По описанию разработчиков, обучение на парных предпочтениях направлено на повышение точности опоры на источники, полноты и краткости ответов и на снижение влияния нерелевантных или вводящих в заблуждение фрагментов. Модель основана на Llama 3.1 8B Instruct по метаданным; в README указана Llama 3.2 8B Instruct. Метаданные сообщают 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и лицензию Apache-2.0. Поддерживается английский язык. Модель подходит для ответов на вопросы по результатам поиска, когда контекст содержит много фрагментов или шумные сведения. Вывод включает извлечённые релевантные предложения и итоговый ответ. Предварительное извлечение предложений увеличивает задержку до получения ответа; авторы также отмечают, что работа над моделью продолжается.

Это совместимая с новыми версиями библиотеки transformers редакция модели Florence-2-base-ft от Microsoft. В репозитории изменён код modeling_florence2.py, чтобы исправить загрузку модели и генерацию текста при работе с версиями transformers от 4.42.0 до 4.57.x; веса и базовая архитектура принадлежат Microsoft. Модель предназначена для задач анализа изображений, включая создание описаний, распознавание текста и обнаружение объектов по текстовым запросам. Архитектура Florence-2 принимает изображения и текстовые запросы и выдаёт текстовые ответы или результаты визуального анализа. В метаданных указана лицензия Apache-2.0; README отсылает к исходной карточке Microsoft за условиями использования.

ForgottenMaid-12B — объединённая языковая модель на 12,1 млрд параметров, созданная с помощью mergekit и метода Arcee Fusion. За основу взята yamatazen/LoyalMaid-12B, также в объединение включена ReadyArt/Forgotten-Safeword-12B-v4.0; архитектура — плотная MistralForCausalLM, веса опубликованы в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалогового общения. Метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 1 024 000 токенов. Сведения о лицензии, целевых языках и специальных прикладных областях в предоставленных источниках отсутствуют.

GATE-Reranker-V1 — модель-реранкер от NAMAA-space для ранжирования арабских документов по релевантности запросу. Она дообучена на базе Omartificial-Intelligence-Space/GATE-AraBert-v1 и использует архитектуру BERT с классификатором последовательностей; размер модели — 162,4 млн параметров. Модель оценивает пары «запрос — документ» и выдаёт оценки релевантности, которые можно использовать для сортировки результатов поиска. Модель предназначена для повышения качества арабского поиска, ранжирования документов в системах рекомендаций и отбора материалов для ответов на вопросы и RAG. README приводит пример работы через SentenceTransformers CrossEncoder. Максимальная длина контекста — 512 токенов. Модель рассчитана на арабский язык; лицензия — Apache-2.0. Оценка в карточке проводится на двух наборах данных с метриками MAP, MRR и NDCG@10, однако сравнения и дополнительные результаты обозначены как находящиеся в разработке. Поэтому качество на других наборах данных и в прикладных сценариях может отличаться.

German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI и дообученная на базе mistralai/Mistral-7B-v0.3 методом continued pre-training. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache 2.0. Модель предназначена для работы с немецкими и английскими текстами, особенно для генерации ответов на вопросы с учётом предоставленного контекста, структурированного рассуждения и суммаризации. Её можно использовать в RAG-сценариях, где приложению нужно сформулировать ответ по найденным документам. В обучающих данных сделан акцент на немецком языке; README указывает около 420 тысяч немецких и 200 тысяч английских примеров.

GLIDER — дообученная Patronus AI модель на базе microsoft/Phi-3.5-mini-instruct для оценки текстов, диалогов и RAG-систем по заданным пользователем критериям и шкалам. Она предназначена для автоматического судейства и измерения качества ответов в различных сценариях. Модель использует плотную архитектуру Phi-3, содержит 3,7 млрд параметров и работает с текстом. В README заявлена максимальная длина последовательности 8192 токена и проверка на текстах до 12 000 токенов; метаданные указывают native context в 4096 токенов. Обучение использовало синтетические и адаптированные по областям данные, охватывающие более 183 метрик и 685 областей, включая финансы и медицину. Основной язык — английский; также заявлена поддержка корейского, казахского, хинди, бенгальского, испанского, индонезийского, немецкого, французского, арабского, русского и других языков. GLIDER подходит для проверки ответов чат-ботов, сравнения вариантов генерации, оценки качества поиска с генерацией и проверки соответствия пользовательским рубрикам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GLiNER2-multi-v1-wikiann — модель извлечения сущностей, созданная дообучением fastino/gliner2-multi-v1 на WikiANN (PAN-X). Она предназначена прежде всего для распознавания именованных сущностей в тексте: людей, организаций и мест. Модель использует библиотеку gliner2 и сохраняется в формате safetensors. Модель рассчитана на многоязычные сценарии; в карточке перечислены английский, немецкий, испанский, французский, русский, арабский, китайский и хинди. В README приведена оценка на отложенных тестовых данных: F1 для извлечения сущностей составляет 0,904 при строгом и 0,932 при расслабленном сопоставлении. Обучение на WikiANN ориентировано на сущности PER/ORG/LOC; результаты не подтверждают качество для извлечения отношений, событий или классификации, хотя базовая GLiNER2 поддерживает такие задачи. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

GPT-6 Luna Pro — вариант GPT-6 Luna от OpenAI, работающий с параметром reasoning.mode, установленным в pro. Он предназначен для получения более качественных ответов на сложные задачи. README описывает его как ту же базовую модель GPT-6 Luna с режимом рассуждения pro. Доступные данные не содержат сведений об архитектуре, размере, контексте, языках или лицензии, поэтому эти характеристики нельзя уточнить. Метаданные каталога относят модель к задаче image-text-to-text, однако README не описывает работу с изображениями.

nightmedia/granite-4.1-8B-TNG-Coder-V11-3000-Heretic-BF16 — диалоговая языковая модель на архитектуре Granite, созданная nightmedia на основе Granite-4.1-8B и производных чекпойнтов. По карточке модель дообучалась на задачах серверной разработки; автор также сообщает об использовании синтетических трасс Qwen3.6-35B-A3B и Claude и о режиме рассуждений, включённом по умолчанию. Модель предназначена для генерации кода и помощи в backend-разработке, а также для диалоговых запросов. Она содержит 8,4 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. В метаданных указаны текстовая генерация и чат-возможности; базовая Granite-4.1-8B описана как многоязычная модель для текста, кода и вызова инструментов. Лицензия — Apache-2.0. Карточка приводит результаты нескольких бенчмарков, но не описывает подробно методику обучения или пределы качества; специализация модели на backend-разработке не гарантирует корректность сгенерированного кода.

Это текстовый Cross Encoder для ранжирования пар «запрос — документ», обученный с помощью библиотеки Sentence Transformers. Модель построена на BERT с архитектурой BertForSequenceClassification и примерно 124,3 млн параметров; она выдаёт один показатель релевантности для каждой пары текстов. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога сообщают о контексте до 512 токенов. Модель предназначена для повторной сортировки результатов семантического поиска и оценки соответствия документов запросу. Её можно использовать как реранкер в поисковом конвейере: сначала получить кандидатов, затем упорядочить их по оценкам модели. В карточке указаны 4 536 обучающих примеров с запросами, документами и метками, а также обучение с LambdaLoss. Поддерживается текстовый ввод и выдаются оценки, поэтому для каталога подходят модальности text на входе и vector на выходе. Карточка не сообщает языки обучения или специализацию по предметной области. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не приведена.

Onyx Information Content Model — модель классификации текстовых фрагментов, разработанная для системы Onyx Enterprise Search. Она определяет, содержит ли короткий фрагмент информацию, полезную саму по себе для ответа на вопрос в RAG-сценарии. Модель построена на SetFit: дообученный методом контрастивного обучения Sentence Transformer на базе sentence-transformers/paraphrase-mpnet-base-v2 формирует признаки, а классификатор LogisticRegression относит текст к одному из двух классов. Модель предназначена для английского языка; максимальная длина последовательности составляет 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Она подходит для отбора информативных фрагментов в корпоративном поиске и подготовке контекста для ответов на вопросы. Классификация ограничена двумя классами и короткими текстовыми фрагментами; качество для других языков и сценариев не заявлено. Лицензия в предоставленных данных не указана.

InRanker-3B — модель-реранкер на базе архитектуры T5, разработанная авторами проекта InRanker. Это версия monoT5, дистиллированная из monoT5-3B с целью повысить эффективность ранжирования в сценариях, отличающихся от обучающих данных. Модель оценивает релевантность найденных текстовых фрагментов запросу и помогает упорядочить результаты поиска. Обучение включало два этапа дистилляции: на существующих мягких метках учителя и на мягких метках для синтетических запросов, созданных большой языковой моделью. Репозиторий содержит веса PyTorch; в метаданных указаны 385,2 млн параметров, контекст 512 токенов и английский язык. Лицензия в предоставленных данных не указана.

NovaSearch/jasper_en_vision_language_v1 — мультимодальная модель для представления текста и изображений в виде векторов. Согласно карточке, она основана на dunzhang/stella_en_1.5B_v5 и google/siglip-so400m-patch14-384; метаданные указывают на объединение моделей. Модель предназначена для получения эмбеддингов текста и изображений, поиска семантически близких текстов и сопоставления текста с изображениями. В карточке упоминаются оценка на MTEB и обучение на данных BAAI/Infinity-MM и HuggingFaceFW/fineweb-edu. Основной заявленный язык — английский. Доступна в формате safetensors. Информация о лицензии и ограничениях применения в предоставленных данных отсутствует.

Модель kangkys/kanana-1.5-8b-instruct-2505-Persona-Merged — дообученная автором kangkys языковая модель на базе kakaocorp/kanana-1.5-8b-instruct-2505. Это плотная Llama-архитектура с 7,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; в метаданных также отмечен интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. В карточке указаны английский язык, обучение с использованием Unsloth и библиотеки TRL, а также лицензия Apache-2.0. README не описывает отдельные показатели качества или специализированные сценарии применения, поэтому их нельзя оценить по доступным данным.

Kwai-Coder-DS-V2-Lite-Base — базовая языковая модель для кода, разработанная Kwai и построенная на DeepSeek-V2-Lite-Base. Модель прошла дополнительное предобучение на 800 млрд токенов: 70% обучающих данных составлял код, 20% — математика и 10% — текст, включая материалы о программировании. Архитектура DeepSeek-V2 имеет 16 млрд параметров и 2,4 млрд активируемых параметров по README; метаданные репозитория указывают 2,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки. Метаданные указывают контекстное окно 163 840 токенов и совместимость с Transformers и PyTorch; веса доступны в формате Safetensors. Модель предназначена для генерации и дополнения кода, вставки фрагментов кода, а также задач по математике и программированию. В README приведены результаты на HumanEval, HumanEval+, MBPP, MBPP+, BigCodeBench, MATH и GSM8K, но они не гарантируют аналогичное качество на пользовательских задачах. Это базовая модель, поэтому готовое поведение чат-ассистента или следование инструкциям не следует считать подтверждённым. Лицензия — MIT.

Redis разработала эту модель Cross-Encoder для оценки пар текстов в сценариях семантического кэширования LangCache. Она дообучена на Alibaba-NLP/gte-reranker-modernbert-base с использованием библиотеки sentence-transformers и датасета LangCache Sentence Pairs. Модель принимает пару текстов и возвращает оценку их соответствия, которую можно использовать для классификации пар и переранжирования результатов поиска. Модель построена на ModernBERT, имеет 149 млн параметров и максимальную длину последовательности 8192 токена. Она рассчитана на английский язык. В README приведены результаты оценки классификации и переранжирования на тестовых наборах, однако результаты на наборах NanoQuoraRetrieval, NanoMSMARCO и NanoNQ ниже показателей базовой модели. Модель распространяется по лицензии Apache-2.0.

KRLabsOrg LettuceDetect — модель для выявления галлюцинаций в ответах французского языка для приложений с генерацией, дополненной поиском (RAG). Она дообучена на EuroBERT-210M и принимает контекст вместе с ответом, отмечая на уровне токенов фрагменты ответа, не подтверждённые контекстом; предсказания можно объединять в spans для проверки источников и поиска неподтверждённых утверждений. Модель использует архитектуру EuroBERT для классификации токенов, содержит 211,7 млн параметров и поддерживает контекст до 8192 токенов. В оценке на переведённом наборе RAGTruth-FR указана F1-мера 65,70%; карточка сообщает, что версия 210M обрабатывает примеры примерно втрое быстрее варианта 610M. Модель ориентирована на французский язык и выпущена под лицензией MIT. Для загрузки требуется версия Transformers 4.x: README предупреждает, что удалённый код EuroBERT пока несовместим с Transformers 5.x. Показатель качества приведён для переведённого набора RAGTruth-FR и сам по себе не гарантирует такую же точность на других данных или языках.