I.1Поиск и навигация по информации

CMB-ClimateModernBERT/Merge_Soup_CX — англоязычная encoder-only модель ModernBERT-Base, дообученная на климатических текстах методом continued pretraining и представленная как merge-soup чекпойнт. Она предназначена для заполнения пропусков в тексте и как основа для дообучения под климатическую классификацию, многометочную разметку и поиск по научным публикациям, новостям, политическим документам и корпоративной отчётности. Модель содержит 149 млн параметров, работает с текстом и поддерживает контекст до 8192 токенов. Обучение использовало академические материалы, климатический веб-текст и синтетические данные. В описанной авторами оценке модель получила средний F1 74,2 на девяти климатических NLP-бенчмарках; результаты усреднены по трём запускам дообучения. Это masked language model, а не система, следующая инструкциям, и её выходы не дают калибрированных гарантий фактической точности. Модель ограничена английским языком, а преимущества состава обучающего корпуса проверены в климатическом NLP и не обобщаются автоматически на другие области. Лицензия в предоставленных сведениях не указана.

Nyaya-3B-v3 — языковая чат-модель на 3,1 млрд параметров, разработанная NyayaLabs98 на основе Qwen2.5-3B-Instruct и дообученная для ответов на вопросы по индийскому законодательству. Она предназначена для работы в связке с базой текстов законов Nyaya и поисковым компонентом: читает найденные фрагменты нормативных актов и формирует ответ с цитатами. Модель принимает текст и генерирует текст; поддерживает английский и хинди, а контекст составляет до 32 768 токенов. По оценке авторов, дообучение не дало статистически значимого улучшения относительно базовой модели при использовании того же поиска; в одном повторном сравнении точность цитирования оказалась ниже. Результаты для хинди также ниже, чем для английского. Покрытие базы ограничено 27 законами и Конституцией Индии, поэтому ответы вне этой области ненадёжны. Модель предоставляет правовую информацию, а не юридическую консультацию; авторы рекомендуют обращаться к лицензированному адвокату по существенным вопросам. Лицензия Qwen Research License ограничивает использование исследовательскими и некоммерческими целями.

roberta-base-ca-v2-cawikitc — модель для классификации текстов на каталанском языке без обучения на целевых метках. Её разработала команда Projecte AINA, дообучив RoBERTa-base-ca-v2 на наборе CaWikiTC, преобразованном в задачу распознавания текстового следования (NLI). Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. Модель сопоставляет текст с заданными категориями и определяет, какая из них подходит, используя шаблон гипотезы «Aquest article tracta sobre {}.» («Эта статья о {}»). Она предназначена прежде всего для тематической классификации каталанских статей, включая сценарии с малым количеством размеченных данных. В оценке TeCla взвешенная F1 составила 75,0 для четырёх укрупнённых классов и 49,1 для 53 детальных классов. Модель выпущена под лицензией Apache 2.0. Она обучалась на текстах, основанных на Википедии, и фиксированном шаблоне гипотезы, поэтому может хуже обобщать на другие типы текстов и формулировки категорий. Систематическая оценка предвзятости и токсичности не проводилась.

Rostam R1 Stage 13-2 — разговорная модель серии Rostam, разработанная prog-love и дообученная методом Direct Preference Optimization на основе prog-love/rostam-r1-stage13-1. Она предназначена для генерации ответов и вопросов-ответов на персидском языке; карточка сообщает о проверке на тестовой выборке PQuAD из 8 002 примеров. В архитектуре указано семейство Gemma 4, плотная модель с классом Gemma4ForConditionalGeneration; все 5,104 млрд параметров обучались в BF16. Для версии Stage 13-2 в README приведены Exact Match 42,08%, F1 67,20% и доля ошибочного отказа от ответа 1,23% на PQuAD; также заявлено снижение повторов за счёт ограничителей остановки. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных сведениях не раскрыты.

WebRL-Llama-3.1-70B — открытая модель Zhipu AI, созданная дообучением Meta Llama 3.1 70B для выполнения действий в веб-интерфейсах. Она предназначена для агентных сценариев, где по текстовым инструкциям нужно выполнять операции на пяти сайтах из WebArena: OpenStreetMap, Reddit, GitLab, CMS интернет-магазина и OneStopShop. Модель имеет плотную архитектуру LlamaForCausalLM с 69,5 млрд параметров, поддерживает чат и рассчитана на английский язык. Указанная длина контекста — 131 072 токена. В оценке на WebArena-Lite модель показала средний показатель успешного выполнения 49,1%; результаты различались по сайтам. Для запуска README отсылает к коду и требованиям на странице проекта GitHub. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

WebRL-Llama-3.1-8B — открытая модель Zhipu AI для выполнения операций в веб-интерфейсах на пяти сайтах из WebArena: OpenStreetMap, Reddit, GitLab, CMS интернет-магазина и OneStopShop. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текстовые инструкции и генерирует текстовые ответы и действия для веб-сценариев. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. Модель предназначена для веб-агентов, которым нужно выполнять пользовательские операции на поддерживаемых сайтах. В оценке WebArena-Lite она показала средний показатель успешности 42,4%; результаты различаются между сайтами. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Модель allenai/aspire-contextualsentence-multim-compsci разработана исследователями Allen Institute for AI и представлена в работе о многовекторном моделировании сходства научных документов. Это модель на архитектуре BERT с 137,1 млн параметров и контекстом до 512 токенов. Она кодирует заголовок и аннотацию научной статьи, формируя контекстные векторы предложений, а затем сопоставляет документы по расстоянию Вассерштейна между их предложениями. Модель предназначена для поиска статей по всему документу или по выбранным предложениям запроса, с тонким сопоставлением аспектов между документами по компьютерным наукам. Модель обучена на парах социтируемых статей по компьютерным наукам с контрастивной целью и выравниванием предложений по контекстам цитирования. Для использования требуется вычислить векторы предложений и расстояние оптимального переноса; доступны веса PyTorch для библиотеки Transformers. Карточка приводит оценку на наборе CSFCube и сравнение с SPECTER и all-mpnet-base-v2. Apache-2.0 разрешает коммерческое и некоммерческое использование при соблюдении условий лицензии. Качество за пределами научных текстов по компьютерным наукам может быть ниже; для классификации предложений или документов потребуется дополнительная настройка.

sentence-transformers/bert-base-wikipedia-sections-mean-tokens — модель Sentence-Transformers, обученная командой Sentence Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель принимает текст и выдаёт эмбеддинги; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Авторы предупреждают, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендуют выбрать более новую модель для практических задач. Лицензия — Apache-2.0.

ValentinaKim/bge-base-automobile-matryoshka — англоязычная Sentence Transformer-модель, дообученная на базе intfloat/e5-base для получения эмбеддингов автомобильной тематики. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать по косинусному сходству для семантического поиска, поиска похожих фрагментов, кластеризации и классификации текста. Архитектура включает BERT, усреднение токенных представлений и нормализацию; контекст ограничен 512 токенами. Модель обучалась с MatryoshkaLoss и поддерживает укороченные векторы размерностью 512, 256, 128 и 64, позволяя выбирать компромисс между размером представления и качеством поиска. В карточке приведены результаты поиска по небольшому набору из 63 обучающих примеров; они не гарантируют качество на других данных. Несмотря на указание английского языка в описании и метаданных, примеры обучающих данных написаны на корейском, поэтому фактическое языковое покрытие требует проверки. Лицензия — Apache-2.0.

BioBERTpt-squad-v1.1-portuguese — модель для ответов на вопросы о клинической и биомедицинской тематике. Её создала группа Deep Learning Brasil; модель семейства BERT дообучена на португальской версии SQuAD 1.1 для задачи question answering. Она принимает текст вопроса и контекста и извлекает из контекста ответ. В карточке указаны результаты на оценке: F1 80,06 и Exact Match 67,52. Модель содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

ai4data разработала devdata-search-noinstruct-small-asym-cmnrl — компактную двунаправленную BERT-модель на 40 млн параметров для поиска по структурированным статистическим метаданным. Это дообученная версия avsolatorio/NoInstruct-small-Embedding-v0 из семейства DevData Search; модель создаёт эмбеддинги для запросов и документов, а сама не является размещённым поисковым сервисом. При обучении на DevDataBench применялись перестановка полей и их частичное исключение, чтобы модель связывала смысл с названиями полей, а не с порядком сериализации. Для работы не нужны префиксы запроса или документа. Модель поддерживает извлечение признаков и сравнение предложений, принимает текст и выдаёт векторы эмбеддингов; максимальная длина последовательности — 512 токенов. Модель опубликована под лицензией Apache-2.0. Её специализация — поиск по структурированным статистическим метаданным; результаты для иных типов текстового поиска в карточке не описаны.

andi611/distilbert-base-uncased-qa-boolq — модель DistilBERT, дообученная на наборе BoolQ для классификации ответов на вопросы по тексту. Она принимает текст и предсказывает бинарный ответ на вопрос по представленному контексту. Модель построена на DistilBertForSequenceClassification, использует веса PyTorch и рассчитана на английский язык; длина контекста — до 512 токенов. На оценочной выборке BoolQ указана точность 0,7315. Модель подходит для простых сценариев вопросно-ответной классификации, когда вопрос и контекст можно подать совместно. Результат следует проверять для задач, где важна высокая точность: подробные сведения о поведении на других данных в карточке отсутствуют. Лицензия — Apache-2.0.

HeBERT Finetuned Legal Clauses — модель, созданная Шаем Донером дообучением avichr/heBERT на датасете SupremeCourtOfIsrael. Это BERT-модель для ответов на вопросы по текстам решений Верховного суда Израиля, в частности для поиска юридических положений. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README указаны 147 946 обучающих и 36 987 проверочных примеров; на оценке автор сообщает Accuracy 0,96 и F1 0,96. Модель рассчитана на работу с ивритскими судебными текстами. Она опубликована в формате Safetensors; условия лицензии в предоставленных материалах не описаны.

Loom Spark — небольшая языковая модель Textile Labs с примерно 7,6 млн параметров, обученная с нуля. Это decoder-only трансформер семейства GPT-2 с пятью слоями, пятью головами внимания, размерностью 320, предварительной нормализацией, GELU, связанными эмбеддингами и обучаемыми позиционными представлениями. Модель принимает текст и генерирует текст; в метаданных указан контекст 256 токенов и поддержка английского языка. Модель предназначена для короткого диалога и работы в связке с агентской оболочкой, которая выполняет веб-поиск. Её особая задача — формировать поисковые запросы и честно сообщать, когда собственных знаний недостаточно. Без оболочки, которая исполняет запросы и передаёт результаты модели, доступ к интернету не появляется. Модель распространяется в форматах Safetensors и GGUF F32 под лицензией MIT. Loom Spark ориентирована на краткие, доброжелательные ответы и отказ от уверенных выдумок при вопросах, требующих фактов. Разработчик предупреждает, что модель почти не знает фактов и иногда неверно понимает намерение пользователя. Её не следует применять для медицины, права, финансов и других ситуаций, где ошибка может причинить вред.

Это модель RoBERTa-base, адаптированная к текстам о кино и дообученная для распознавания именованных сущностей (NER) на наборе MIT Movie. Её разработал автор репозитория thatdramebaazguy; модель предназначена для извлечения сущностей из англоязычных запросов и описаний фильмов. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведены результаты оценки на MIT Movie: F1 0,8876, точность 0,887 и полнота 0,8881. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии CC BY 4.0. Её оценивали на MIT Movie, поэтому качество на других жанрах текстов и языках может отличаться; карточка не приводит отдельной оценки обобщения за пределами этого набора.

willhx/Qwen3-8B-SDFT-MLE-Math-Search-Ecom — плотная языковая модель Qwen3, созданная разработчиком willhx как взвешенное слияние трёх полных чекпойнтов SDFT. В слияние вошли модели для математических задач, поиска и сценариев tau-bench в розничной торговле; веса объединены с коэффициентами 0,2, 0,4 и 0,4 соответственно. Архитектура — Qwen3ForCausalLM, около 7,6 млрд параметров, контекст 32 768 токенов; формат хранения — BF16 в safetensors. Модель принимает текст и генерирует текст. Метаданные указывают поддержку чата и интерфейса вызова инструментов, однако автор не подтверждает качество общего чат-интерфейса для этого слияния. Чекпойнт не тестировался на математических, поисковых или розничных задачах, поэтому его практическую эффективность следует оценивать отдельно. Лицензия — Apache-2.0.

Карточка модели officialmobai/rostam-r1-stage13-2 на Hugging Face совпадает с карточкой prog-love/rostam-r1-stage13-2, поэтому описание составлено по ней. Rostam R1 Stage 13-2 — разговорная модель серии Rostam, разработанная prog-love и дообученная методом Direct Preference Optimization на основе prog-love/rostam-r1-stage13-1. Она предназначена для генерации ответов и вопросов-ответов на персидском языке; карточка сообщает о проверке на тестовой выборке PQuAD из 8 002 примеров. В архитектуре указано семейство Gemma 4, плотная модель с классом Gemma4ForConditionalGeneration; все 5,104 млрд параметров обучались в BF16. Для версии Stage 13-2 в README приведены Exact Match 42,08%, F1 67,20% и доля ошибочного отказа от ответа 1,23% на PQuAD; также заявлено снижение повторов за счёт ограничителей остановки. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных сведениях не раскрыты.

nagbhaskar55 разработал slm125mlive-qa-RLAIF — компактную англоязычную модель генерации текста семейства Llama с 125,8 млн параметров. Она дообучена методом RLAIF с алгоритмом GRPO на базе nagbhaskar55/slm125mlive-bhaskar-finetune, модели, настроенной для вопросов и ответов по предоставленным текстам. Модель предназначена для ответов на вопросы, обоснованных содержанием passage, и ожидает формат запроса slm_chat: системная инструкция и passage, затем вопрос. Оптимизация предпочтений направлена на качество ответов: более последовательный формат, меньше лишнего текста и более стабильные отказы. Модель принимает и генерирует текст, поддерживает чатовый сценарий и имеет контекст до 1024 токенов. В карточке приведены результаты обучения, но нет независимой оценки качества на широком наборе задач. Обучение опиралось на небольшой набор из 600 пар предпочтений, оценённых LLM; возможны ошибки и смещения оценщика. Модель не предназначена для предоставления юридических или финансовых консультаций. Лицензия в предоставленных сведениях не указана.

slm-125m-sft — англоязычная плотная модель семейства Llama на 125,8 млн параметров, разработанная Prajwal55 и дообученная на вопросах и ответах по судебным решениям США и документам SEC. Она предназначена для извлечения ответов из предоставленного пользователем фрагмента текста: сам фрагмент необходимо включать в запрос, поскольку у модели нет полезных знаний для ответов без него. Модель принимает текст и генерирует текстовый ответ; контекст ограничен 1024 токенами. Обучение проводилось на 8 000 синтетических пар QA, созданных с помощью DeepSeek V4 Flash и проверенных на связь ответа с источником. На отложенных данных содержательно корректными были около 60% ответов, около 10% ответов были явно неверными; возможны ошибки при копировании чисел. Модель не подходит для использования, где ошибки в юридических или финансовых утверждениях могут иметь последствия. Лицензия — Apache-2.0.

TEI Bibliographic Annotator — модель cmboulanger, дообученная методом LoRA на базе Qwen/Qwen2.5-3B-Instruct и объединённая с базовыми весами. Она принимает обычный текст библиографической цитаты и размечает его встроенными тегами TEI XML, выделяя авторов, названия, даты, издателей и другие библиографические элементы. Модель предназначена для разбора цитат в сносках научных работ по правовой социологии, в том числе сокращённых и анафорических ссылок, а также цитат, встроенных в авторский текст. Это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. На проверочной выборке из 1 207 записей корректный XML получен для 99,83% примеров, а точное совпадение с эталонной разметкой — для 42,50%; эти результаты являются предварительной проверкой, а не полной оценкой по полям. Обучающие данные преимущественно немецкоязычные, часть цитат — на английском. Для работы требуется использовать формат чата и инструкцию, соответствующие обучению. Лицензия указана как other, конкретные условия в карточке не раскрыты.

Theia-Llama-3.1-8B-v1.1 — языковая модель Chainbase Labs, дообученная на базе Llama 3.1 8B для ответов на вопросы о криптовалютах и блокчейн-проектах. Обучающие данные включают материалы о 2000 крупнейших проектах по капитализации, в том числе whitepaper, официальные публикации, новости и исследовательские отчёты; в README также описано применение LoRA и D-DoRA. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она работает в формате чата Llama 3.1 и поддерживает интерфейс вызова инструментов. Модель предназначена для объяснения фундаментальных характеристик криптопроектов, обобщения сведений об их развитии и ответов на профильные вопросы. В README приведено сравнение первой версии модели с другими системами на внутреннем бенчмарке понимания и генерации в криптодомене; эти результаты не подтверждают точность ответов на актуальные рыночные данные. В метаданных указана лицензия llama3.1. Модель может воспроизводить ошибки или устаревшие сведения и не заменяет проверку первоисточников.

VCTI-RoBERTa-Fiber — англоязычная модель RoBERTa-base, дообученная компанией Velankani Communications Technologies Inc. на текстах об оптической связи и фотонике с помощью masked language modeling. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текст; длина контекста — 514 токенов. Модель предназначена для получения контекстных представлений технических текстов об оптических волокнах, фотонных устройствах, мультиплексировании, усилителях, модуляции, сетях и лазерных системах. Её можно применять для семантического поиска, подбора похожих документов и вопросов, кластеризации и тематического анализа, а также для извлечения контекста в RAG-системах. В README модель названа базовой версией, а обучение описано как выполненное на собственном корпусе статей, учебников и научных публикаций. Модель подходит для англоязычных материалов в области оптических технологий. Она также дообучалась для восстановления пропущенных слов, но основное пользовательское назначение — доменные эмбеддинги; качество на других темах и языках не описано. Распространяется по лицензии MIT.

Adapting/bert-base-chinese-finetuned-NER-biomedical — модель BERT-base для китайского языка, дообученная для распознавания именованных сущностей в биомедицинских текстах на наборе Adapting/chinese_biomedical_NER_dataset. Она выполняет токенную классификацию: принимает текст и относит его фрагменты к классам сущностей. Модель содержит 129,5 млн параметров, использует архитектуру BertForTokenClassification и поддерживает контекст до 512 токенов. Модель предназначена для извлечения биомедицинских сущностей из китайских текстов, например для последующего поиска и структурирования упоминаний в корпусах. Доступна в формате PyTorch. Сведения о лицензии и конкретной схеме классов сущностей в предоставленных данных отсутствуют.

CARE-OPD QZBC 4B — текстовая модель на основе Qwen3.5-4B, адаптированная авторами CARE-OPD для генерации структурированных ответов, опирающихся на предоставленные доказательства. Она принимает сообщения чата с Evidence Packet и формирует ответ в заданной структуре. Чекпойнт содержит объединённые веса LoRA и работает как самостоятельная модель Transformers с архитектурой Qwen3_5ForCausalLM; в метаданных указано 3,4 млрд параметров, а в README — около 4,206 млрд. Контекст — до 262 144 токенов. Модель предназначена для исследований генерации ответов с опорой на источники, воспроизведения контракта оценки QZBC и контролируемого изучения поведения при отсутствии, противоречивости или ненадёжности доказательств. Она принимает и выдаёт текст; для работы с клиническими сценариями необходимы внешняя проверка ответов, контроль источников и человеческий надзор. Оценка 80,51% относится к конкретному возмущённому тесту QZBC и не подтверждает клиническую точность или общее превосходство. Обработка противоречий остаётся слабым местом, а проверка вне обучающего распределения, на разных языках и демографических группах ограничена. Это не медицинское устройство и не средство автономной диагностики, назначения лечения, дозирования, сортировки или экстренного реагирования. Лицензия — Apache-2.0.

shellwork/ChatParts-qwen2.5-14b — диалоговая модель команды XJTLU-Software iGEM, дообученная на базе Qwen2.5-14B-Instruct для синтетической биологии. Она предназначена для участников соревнований iGEM и исследователей: помогает находить, извлекать и упорядочивать сведения из материалов по синтетической биологии, а также отвечает на вопросы и составляет сводки в составе локального RAG-приложения команды. Модель использует плотную архитектуру Qwen2 и содержит 14 млрд параметров; максимальная длина контекста — 32 768 токенов. Для обучения собрали более 200 000 пар вопросов и ответов по страницам iGEM Wiki, обзорам по синтетической биологии и документации реестра iGEM Parts. В карточке указан английский язык. Репозиторий предоставляет веса в формате safetensors и лицензию Apache-2.0. Модель рассчитана на ответы и генерацию текста в специализированной области; качество ответов зависит от полноты и точности обучающих данных, а приведённое описание не сообщает результатов оценки. Для применения в RAG её используют как локальный компонент вместе с поиском по источникам.

climatebert-rereranker-fever — дообученная модель ClimateBERT на базе DistilRoBERTa, разработанная пользователем iestynmullinor. В карточке указано, что она обучена на неизвестном наборе данных; название предполагает применение к задачам, связанным с FEVER, однако назначение и результаты в README не описаны. Архитектура — RobertaForSequenceClassification, размер — 95,4 млн параметров, формат весов — safetensors, контекст — до 514 токенов. Модель принимает текст и выдаёт классификационные оценки или метки. Лицензия — Apache-2.0.

EryriLabs DeepSeek-R1-Distill-Llama-UK-Legislation-8B — дообученная языковая модель семейства Llama для генерации текста по законодательству Великобритании. Она основана на unsloth/deepseek-r1-distill-llama-8b-unsloth-bnb-4bit и обучалась на наборе santoshtyss/uk_legislation с использованием Unsloth и TRL. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; карточка заявляет поддержку чата. Основной сценарий — ответы на вопросы и подготовка текстов по материалам законодательства Великобритании на английском языке. Лицензия указана как Llama 3.1; применимость конкретных юридических ответов следует проверять по первичным источникам.

mustapha/e5-small-Quran — англоязычная модель эмбеддингов на архитектуре BERT, предназначенная для извлечения признаков из текста и семантического поиска по материалам Корана и тафсирам. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Она опубликована в формате PyTorch под лицензией MIT. Карточка связывает модель с набором данных M-AI-C/quran-en-tafssirs. Её можно использовать для поиска релевантных фрагментов англоязычных толкований Корана и сопоставления текстовых запросов с такими фрагментами. Поддержка других языков или дополнительные возможности в доступных данных не подтверждены.

islamqa-retriever-quran — арабская bi-encoder-модель для поиска релевантных отрывков Корана и хадисов по текстовому вопросу. Она разработана для проекта IslamicEval 2025 и дообучена на базе NAMAA-Space/AraModernBert-Base-STS; в репозитории находится этап QuQA, выбранный авторами как основной поисковый чекпойнт для Корана. Архитектура — ModernBERT с mean pooling; модель содержит около 149 млн параметров и формирует 768-мерные эмбеддинги, сравниваемые по косинусному сходству. Хотя контекстная архитектура поддерживает до 8192 токенов, эффективный предел последовательности этой версии — 512 токенов. Модель предназначена для ранжирования существующих фрагментов Корана и хадисов Сахих аль-Бухари по вопросам на современном литературном арабском языке, а также для семантического поиска внутри RAG- и QA-систем. Она специализируется на Коране: на небольших dev-выборках улучшает полноту поиска коранических отрывков относительно базовой модели, но уступает ей на хадисах. Для смешанного потока авторы рекомендуют сочетать её с базовой моделью и калибровать оценки; модель выступает генератором кандидатов, а полный конвейер использует дополнительный reranker. Лицензия — Apache-2.0.

Warlord-K/kanha-kanha.ai-0.6b-grounded-qlora-3ep-v1 — дообученная методом QLoRA компактная языковая модель на базе Qwen/Qwen3-0.6B, разработанная для контролируемых экспериментов с ответами на вопросы по содержимому сайтов. Она генерирует краткие ответы, используя предоставленный извлечённый контекст; вопрос без такого контекста выходит за рамки обучения и оценки. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров, поддерживает контекст до 40 960 токенов и работает через библиотеку Transformers. Карточка указывает английский язык; базовая Qwen3 — многоязычная. В оценке на 26 примерах полнота дат и URL составила 1,0, полнота числовых значений — около 0,96, а детерминированная доля прохождения — около 0,38. Эти результаты получены с предоставленным эталонным контекстом и не подтверждают качество поиска или пригодность конвертированной модели в браузере. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные; результаты следует проверять. Лицензия в предоставленных сведениях не указана.