I.1Поиск и навигация по информации

Agents-A1-4B-heretic — производная версия агентной модели InternScience/Agents-A1-4B, подготовленная Richard Young и DeepNeuro с помощью Heretic v2.0.0.dev0. Это плотная модель на 4 млрд параметров семейства Qwen3.5 в формате Safetensors; она принимает текст и изображения, ведёт диалог и поддерживает вызов инструментов. Модель предназначена для разбиения сложных задач на шаги, планирования, работы с внешними инструментами, научных рассуждений и ответов на профессиональные вопросы. Вариант heretic получен методом abliteration: модификацией направления отказа без переобучения. В карточке указано снижение отказов с 99 из 100 у исходной модели до 11 из 100, при KL-дивергенции 0,0598. Это не отдельная гарантия точности или сохранения всех возможностей. Модель рассчитана на локальный инференс, исследовательские, образовательные и творческие сценарии. Лицензия — Apache-2.0.

AIOne-Agent-52B-A36B-it — мультимодальная модель с разреженной архитектурой Mixture-of-Experts, разработанная JDONE-Research на базе google/gemma-4-31B-it. В текстовой части около 52 млрд параметров, из которых примерно 36 млрд активны на токен; модель также использует визуальный энкодер. Она принимает текст, изображения и видео и генерирует ответы на корейском и английском языках. Заявлена длина контекста 256 тысяч токенов. Модель предназначена для корейского рассуждения и следования инструкциям, анализа изображений и видео, ответов на вопросы по документам и длинным текстам. Её можно применять в корпоративных агентных системах, для поиска по документам и многошаговых диалогов. Базовая модель поддерживает работу с изображениями; понимание видео и корейская настройка заявлены в карточке AIOne-Agent. Модель распространяется под лицензией Apache-2.0. Результаты не следует использовать как единственное основание для решений с юридическими последствиями; README также исключает применение для автоматизированного насилия и анализа медиаданных с нарушением приватности или прав на изображения.

ahotrod/albert_xxlargev1_squad2_512 — англоязычная модель семейства ALBERT для поиска ответов на вопросы по предоставленному тексту. В метаданных указаны архитектура AlbertForQuestionAnswering, 3,3 млрд параметров и контекст до 512 токенов; доступны веса PyTorch и TensorFlow. README приводит результаты на наборе SQuAD 2.0: exact match 86,11 и F1 89,35 по 11 873 примерам, включая вопросы с ответом и без ответа. Модель подходит для извлечения ответа из контекста, в том числе для определения случаев, когда в тексте нет ответа. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

m3hrdadfi/albert-zwnj-wnli-mean-tokens — модель на базе ALBERT, опубликованная пользователем m3hrdadfi. Она предназначена для извлечения векторных представлений предложений и оценки их сходства; её можно подключить через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих предложений, семантического поиска и построения эмбеддингов для текстовых приложений. В названии указаны ZWNJ и WNLI, однако README не уточняет языковую поддержку, обучение и специальные ограничения. Лицензия в предоставленных сведениях не указана.

LazarusNLP разработала all-indo-e5-small-v4 — модель Sentence-Transformers на архитектуре BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss на наборах данных для семантического сходства, поиска и вопросов и ответов. Контекст ограничен 512 токенами. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия в предоставленных данных не указана.

leliuga/all-MiniLM-L12-v2-GGUF — это квантованные файлы модели all-MiniLM-L12-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а данный вариант подготовлен пользователем Leliuga на основе sentence-transformers/all-MiniLM-L12-v2. Модель предназначена для получения эмбеддингов предложений и задач сравнения семантического сходства текста, включая sentence similarity, поиск и извлечение признаков. Она относится к семейству BERT и использует архитектуру MiniLM; в README указано, что поддерживается английский язык. Формат GGUF ориентирован на использование в совместимых локальных инструментах инференса, однако конкретные параметры квантования и требования к ресурсам не указаны. Сильными сторонами модели являются компактный формат распространения и специализация на семантическом представлении предложений. В качестве ограничений следует учитывать англоязычную направленность, отсутствие сведений о размере модели, длине контекста, точных вариантах квантования и готовых характеристиках производительности. Модель распространяется по лицензии Apache-2.0.

avsolatorio/all-MiniLM-L6-v2-MEDI-MTEB-triplet-final — англоязычная модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для получения векторных представлений предложений и оценки их семантического сходства. Её можно применять для поиска похожих текстов, ранжирования кандидатов по близости к запросу, кластеризации и дедупликации предложений, в том числе в задачах с медицинскими и научными текстами среди обучающих данных. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и выдаёт векторы размерности 384. Для сравнения векторов используется косинусное сходство. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Модель принимает текст и возвращает эмбеддинги; заявленный язык — английский. Модель распространяется по лицензии Apache-2.0. Это энкодер предложений, а не генеративная модель: он не предназначен для свободной генерации ответов. Качество сходства зависит от домена и формулировок; длину входного текста следует учитывать с учётом ограничения README в 256 токенов.

karakastarik/all-MiniLM-L6-v2-spelling-correction-large — модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 32. Она предназначена для поиска семантически близких текстов и кластеризации; обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на сопоставление текстовых представлений. Модель содержит 25,9 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате PyTorch. Несмотря на часть «spelling-correction» в названии, карточка описывает модель эмбеддингов, а не систему исправления орфографии. Она может служить компонентом семантического поиска или кластеризации предложений и абзацев. Лицензия и конкретные языки в предоставленных данных не указаны.

dmlls/all-mpnet-base-v2-negation — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она специально настроена так, чтобы ниже оценивать семантическое сходство пар предложений, различающихся отрицанием, и подходит для поиска, кластеризации и оценки сходства текстов. Модель принимает текст и возвращает эмбеддинги; вход длиннее 384 токенов SentencePiece обрезается. В метаданных указаны MPNet, 136,7 млн параметров и контекст до 514 токенов. Модель дообучена на наборе CANNOT с контрастивной целью в рамках исследования оценки генерации с учётом отрицания. Лицензия — Apache-2.0. Основная область применения — англоязычные тексты; результаты на других языках в карточке не описаны.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125211517-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Mahedi420/Bangla-bert-improved-version — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Её можно использовать для поиска семантически близких текстов и кластеризации; в метаданных также указаны извлечение признаков и оценка сходства предложений. Модель содержит 191,6 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь Multiple Negatives Ranking Loss с косинусным сходством. Название и карточка указывают на ориентацию на бенгальский язык. Для использования доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

rurupang/bert-base-finetuned-sts — модель на архитектуре BERT, дообученная на базе klue/bert-base на наборе данных KLUE для оценки сходства текстов. Она выдаёт оценку сходства пары текстов как задачу классификации последовательностей. На оценочной выборке указаны Pearsonr 0,8722 и loss 0,4274. Модель содержит 137,8 млн параметров, принимает текстовые входные данные, а контекст ограничен 512 токенами. В карточке указана лицензия не приводится, поэтому условия использования по имеющимся данным определить нельзя.

Zlovoblachko/bert-base-uncased-augmentation-indomain-bm25-sts — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased для сравнения предложений по смыслу. Она преобразует текстовые фрагменты в плотные векторы размерности 768; близость векторов оценивается косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face указывают контекст до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и сравнения пар предложений. Также в карточке перечислены классификация текста и другие задачи на основе эмбеддингов. На тесте sts-test указана корреляция Спирмена 0,4729 для косинусного сходства; результат характеризует конкретный набор данных и не гарантирует качество на других доменах. Модель содержит 136,7 млн параметров, использует архитектуру BERT с усреднением токенных представлений и реализована на Sentence Transformers. Она рассчитана на английский язык; для языков и текстов вне обучающего распределения качество может быть ниже. Лицензия в предоставленных данных не указана.

Модель sentence-transformers/bert-large-nli-cls-token разработана командой Sentence Transformers на основе архитектуры BERT и обучена на данных NLI. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; число параметров — около 433,9 млн. Модель предназначена для построения текстовых эмбеддингов и оценки смысловой близости. Авторы предупреждают, что эмбеддинги имеют низкое качество, и рекомендуют выбирать более новые модели из каталога Sentence Transformers. Лицензия — Apache-2.0.

Xenova/bge-base-zh-v1.5 — это версия модели BAAI/bge-base-zh-v1.5, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Разработчик исходной модели — BAAI; данный репозиторий предназначен для использования модели в JavaScript- и web-сценариях. Модель предназначена прежде всего для извлечения признаков (feature extraction), например для преобразования текстов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов и построения систем на основе эмбеддингов. В README приведён пример запуска через pipeline Transformers.js. Ключевая характеристика этой версии — формат ONNX и совместимость с Transformers.js. Точная архитектура, число параметров, размер контекста, перечень поддерживаемых языков, модальности и результаты оценки в README не указаны. Также не приведена информация о лицензии, поэтому условия распространения следует уточнять в карточке исходной модели BAAI/bge-base-zh-v1.5. Ограничением является неполнота опубликованной информации о характеристиках и качестве модели.

elsayovita/bge-small-en-v1.5-esg — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 на 11 863 парах контекстов и вопросов по теме ESG. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BERT, пулинг CLS-токена и нормализацию; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Обучение Matryoshka позволяет использовать укороченные представления размерностью 256, 128, 64 или 32, с некоторым снижением качества поиска. Модель подходит для поиска ответов на вопросы в текстах ESG и других сценариев семантического поиска на английском языке. В README приведены оценки на неназванном наборе для нескольких размерностей, поэтому их нельзя переносить на произвольные данные. Лицензия — Apache-2.0.

onnx-community/bge-small-zh-v1.5-ONNX — это версия модели BAAI/bge-small-zh-v1.5 с весами в формате ONNX, подготовленная для использования с библиотекой Transformers.js. В README не указано, кто именно выпустил эту ONNX-версию; исходная модель связана с BAAI. Модель предназначена для извлечения признаков из текста и может применяться в сценариях, где требуются векторные представления, например для семантического поиска или сравнения текстов. Она рассчитана прежде всего на китайскоязычные данные, что следует из идентификатора исходной модели, однако подробный перечень поддерживаемых языков и характеристики контекстного окна в README не приведены. Ключевая особенность модели — совместимость с Transformers.js и возможность запуска через задачу feature-extraction, в том числе в JavaScript-средах. Архитектура, размер модели, точные модальности и другие технические параметры в предоставленных данных не указаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке исходной модели BAAI/bge-small-zh-v1.5 или в репозитории модели.

AronowLab разработала Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-3 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений текстов. Модель содержит 50,3 млн параметров, кодирует предложения и абзацы в плотные векторы размерности 384 и принимает последовательности длиной до 1024 токенов. Для объединения токенов используется средний pooling, а сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, классификации и кластеризации. Она обучалась на парах anchor-positive из набора parquet с использованием MultipleNegativesRankingLoss; имя модели указывает на медицинскую тематику и связь с UMLS, PubMed и PMC. Лицензия в предоставленных данных не указана.

BTE-Base-Ar — модель эмбеддингов на базе Sentence Transformers и архитектуры ModernBERT, представленная ALJIACHI. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит около 148,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для длинных текстов применяется скользящее окно. Модель предназначена прежде всего для арабского языка, также обучалась на арабских и английских текстах. Её можно использовать для семантического поиска и сравнения фраз, поиска перефразировок, кластеризации и классификации текстов. В README приведён результат Spearman 0,8538 на оценке сходства предложений, а также заявлены высокая скорость и сниженное потребление памяти; условия и наборы для этих сравнений не раскрыты. Модель распространяется по лицензии MIT. Она выдаёт эмбеддинги, а не готовые текстовые ответы; качество на других языках и в задачах за пределами приведённой оценки в карточке не описано.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

cupidon-small-ro — модель эмбеддингов предложений на базе BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на датасете RoSTSC. Она предназначена прежде всего для оценки семантического сходства румынских предложений, а также для семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления предложений; доступна в форматах safetensors, ONNX и OpenVINO. Размер модели — 124,3 млн параметров, контекст — до 512 токенов. Компактная архитектура подходит для эффективного построения систем поиска и сравнения текстов на румынском языке. Базовая модель многоязычная, однако карточка описывает специализацию cupidon-small-ro именно на румынских предложениях. Модель распространяется по лицензии Apache-2.0.

Модель domenicrosati/deberta-v3-large-finetuned-paws-paraphrase-detector — классификатор текста для определения, являются ли два предложения перефразами. Она разработана дообучением microsoft/deberta-v3-large на наборе данных PAWS и использует архитектуру DeBERTa v3 Large с классификационной головой; число параметров — около 533,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для выявления смысловой эквивалентности формулировок, например при поиске дубликатов вопросов или сопоставлении похожих предложений. В README приведены результаты на оценочной выборке PAWS: F1 0,9427, точность 0,9301 и полнота 0,9556. Доступны веса PyTorch; лицензия — MIT. Карточка не описывает языковое покрытие и дополнительные ограничения, поэтому результаты за пределами указанного набора данных не установлены.

MaxNoichl/discipline-tuned_specter_2_024 — Sentence Transformers-модель, дообученная на базе научного энкодера allenai/specter2_aug2023refresh_base. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, усредняющий пулинг токенов и нормализацию. Максимальная длина входа — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска и сравнения текстов, в том числе семантического поиска, сопоставления научных материалов, кластеризации и поиска перефразировок. README указывает на дообучение с TripletLoss на наборе из 43 494 примеров и сообщает cosine accuracy 0,971 на оценке TripletEvaluator для указанного теста. Это не гарантирует аналогичного качества на других данных. Веса опубликованы в формате safetensors; модель рассчитана на использование с библиотекой Sentence Transformers. Поддерживаемая лицензия в предоставленных данных не указана.

sentence-transformers/distilroberta-base-msmarco-v1 — модель Sentence Transformers, обученная командой Sentence Transformers на основе архитектуры DistilRoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и кластеризации. Модель также подходит для сравнения сходства предложений; её можно использовать через библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель содержит 95,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Карточка предупреждает, что модель устарела и формирует эмбеддинги низкого качества, поэтому для новых проектов рекомендуются другие модели эмбеддингов.

DNA-VL-STEER-2B — мультимодальная модель эмбеддингов от dnotitia, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она преобразует текст, изображения и видео в общее 2048-мерное пространство векторов; поддерживает инструкционно-зависимый интерфейс и контекст до 32 тысяч токенов. Изменены ранние слои residual stream, а остальные веса, включая vision tower, сохранены как в базовой модели. Модель предназначена прежде всего для мультиязычного поиска и сопоставления подписей с изображениями и видео. Калибровка охватывает все 36 языков XM3600 и заметно улучшает мультиязычный визуальный поиск, особенно для ряда низкоресурсных языков; README приводит результаты и для корейского. Лицензия — Apache-2.0. Улучшения ориентированы на визуальные подписи: для абстрактного текстового поиска, классификации тонких визуальных различий и составных запросов результаты могут ухудшаться. Пользователям следует сравнить модель с базовой на своей задаче; сильное сокращение размерности эмбеддингов также может существенно снизить качество отдельных сценариев.

DUSUNEN Rota 270M v2 — плотная турецкоязычная модель для поиска похожих предложений и извлечения релевантных документов. Её разработал GoktugD, продолжив дообучение DUSUNEN Rota 270M v1 на 50 000 триплетах с трудными негативными примерами. Модель содержит около 257 млн параметров, построена на архитектуре Gemma 3 Text и выдаёт векторные представления размерности 640; метаданные указывают контекст до 32 768 токенов, однако в обучении использовалась длина последовательности 256. Модель предназначена для семантического поиска на турецком языке, ранжирования результатов и подбора кандидатов для RAG. В пяти тестах поиска v2 показала небольшое стабильное улучшение относительно v1, но уступила multilingual E5 по общему результату и превзошла его только на MKQA в указанной матрице. Весы опубликованы в формате safetensors; лицензия — MIT.

E5-V — мультимодальная модель эмбеддингов, разработанная авторами проекта E5-V и дообученная на основе lmms-lab/llama3-llava-next-8b. Она преобразует текст и изображения в векторы для поиска и оценки сходства между объектами, в том числе между разными модальностями. Модель основана на архитектуре LLaVA-NeXT и доступна в формате safetensors; для работы с ней предусмотрена интеграция с Sentence Transformers. E5-V предназначена для мультимодального поиска и сопоставления текста с изображениями, а также для получения эмбеддингов текстовых пар. В карточке отмечено, что обучение только на текстовых парах может превосходить мультимодальное обучение по качеству. Шаблон общения автоматически добавляет к тексту инструкцию «Summary above sentence in one word:», а к изображениям — «Summary above image in one word:». Карточка не сообщает лицензию, размер и длину контекста, поэтому эти характеристики здесь не приводятся. Для использования изображений через Sentence Transformers требуется установить пакет с поддержкой изображений.

Day1Kim дообучил модель google/embeddinggemma-300m для получения эмбеддингов корейских предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768, которые сравниваются с помощью косинусного сходства; модель построена как Sentence Transformer на архитектуре Gemma 3 Text и поддерживает контекст до 2048 токенов. Модель предназначена для семантического поиска и оценки сходства текстов. Её также можно применять для поиска перефразирований, классификации и кластеризации. Примеры обучающих данных относятся к корейским стандартам проектирования, поэтому модель особенно подходит для поиска по корейским техническим документам и ответов на запросы к ним. В README приведены результаты оценки информационного поиска, но нет сведений о лицензии; условия использования следует сверить с карточкой базовой модели и репозитория.

ExoMind-9B — компактная мультимодальная модель команды ExoMind из Шанхайской лаборатории искусственного интеллекта. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B для научных рассуждений и агентных исследовательских сценариев. Она принимает текст и изображения и формирует текстовые ответы; в карточке указано окно контекста до 262 144 токенов. Модель предназначена для научных вопросов и ответов, математических и вычислительных рассуждений, поиска источников, обоснования выводов свидетельствами, проверки результатов с помощью исполняемого кода и экспериментов с использованием инструментов. Она рассчитана на ресурсосберегающие прототипы агентных систем и сохраняет возможности анализа изображений базовой модели. Для заявленных сценариев авторы описывают обучение на траекториях рассуждений и взаимодействия. Оценки из приведённой в README таблицы относятся к системе ExoMind 35B-A3B, поэтому их нельзя переносить на версию 9B; отдельные оценки для ExoMind-9B не приведены. Модель распространяется по лицензии Apache-2.0.

Fara1.5-27B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель принимает скриншоты страницы и текстовую историю предыдущих действий, а затем выдаёт структурированные вызовы инструментов: например, щёлкнуть по координатам, ввести текст, прокрутить страницу или открыть URL. Она работает по изображению, без доступа к DOM и дереву доступности, и может выполнять многошаговые задачи — заполнять формы, искать сведения, собирать корзину покупок или планировать поездки. Это плотная мультимодальная decoder-only модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на траекториях, созданных конвейером FaraGen1.5. Контекст составляет 262 тыс. токенов. Модель рассчитана прежде всего на английский язык; качество на других языках ниже. Для работы требуется специализированная оболочка MagenticLite или Fara CLI с поддержкой схемы инструментов computer_use. Рекомендуемое развертывание рассчитано на GPU с достаточной памятью для bf16, обычно с распределением модели как минимум на две GPU. Модель обучена останавливаться и запрашивать подтверждение перед вводом личных данных и выполнением необратимых действий, например покупок, отправки сообщений или подачи заявлений. Ограничения включают уязвимость к визуальной неоднозначности и внедрению инструкций через содержимое страниц, накопление ошибок в длинных цепочках действий, вариативность результатов и возможные ошибки в оценке состояния страницы. Лицензия — MIT.