I.1Поиск и навигация по информации

Qwen2.5-72B-GeoGPT — языковая модель для исследований в геонауках, разработанная проектом GeoGPT на базе Qwen2.5-72B. Модель содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 131 072 токена. Модель прошла непрерывное предобучение на геонаучных корпусах, дообучение на инструкциях и выравнивание предпочтений методом DPO. В качестве данных использовались отобранные материалы CommonCrawl и публикации открытого доступа. Она рассчитана прежде всего на английский и китайский языки и может помогать исследователям и специалистам отвечать на вопросы по геонаукам и работать с профильной информацией. Репозиторий содержит веса в формате Safetensors и поддерживает интерфейс вызова инструментов. Модель может выдавать неточные, предвзятые или нежелательные ответы; для прикладного использования рекомендуется проверка результатов и тестирование безопасности. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Это квантованная в формате GGUF версия модели Qwen2.5-7B-Instruct-kowiki-qa, разработанной на основе Qwen2.5-7B-Instruct и адаптированной для задач вопросов и ответов по корейской Википедии. Исходную модель beomi/Qwen2.5-7B-Instruct-kowiki-qa разработал beomi, а квантование выполнил teddylee777 с использованием llama.cpp. Модель предназначена для локального текстового диалога, генерации ответов и работы в сценариях question answering с корейским контекстом. Модель относится к классу instruct-моделей для генерации текста и имеет размер 7B параметров. Она поддерживает корейский и английский языки; в шаблоне использования явно задано требование отвечать на корейском языке. Доступна в формате GGUF, что делает её пригодной для запуска через совместимые локальные инструменты, включая llama.cpp и LM Studio. В указанной конфигурации используется контекст до 128000 токенов и температура 0. К сильным сторонам относятся специализация на корейских вопросах и ответах, поддержка английского языка, возможность локального запуска и сниженные требования к ресурсам благодаря квантованию. Ограничения включают зависимость качества от исходной модели и выбранного квантования, а также отсутствие в README подробностей о точности, используемом датасете, конкретном варианте квантования и производительности. Модель распространяется по лицензии Apache-2.0.

VLSP 2025 LegalSLM Task Organizers разработали эту плотную причинно-языковую модель на архитектуре Qwen3 для генерации текста в юридической области. Это дообученная версия Qwen/Qwen3-4B с дальнейшим предобучением на корпусе примерно из 144 тысяч вьетнамских текстов: официальных правовых документов, новостей и комментариев. Модель предназначена для понимания юридических текстов и ответов на вопросы по ним. Модель содержит 3,7 млрд параметров, использует библиотеку Transformers и формат safetensors. Метаданные указывают контекст до 40 960 токенов; в README для обучения указана максимальная длина последовательности 4096 токенов. Основной язык и область специализации — вьетнамский и право. Лицензия в предоставленных данных не указана.

PeytonT/abstract-repo-planning — дообученная модель классификации на базе encoder-архитектуры BERT, предназначенная для построения планов реализации по описаниям научных статей на уровне аннотаций. Она входит в исследовательскую систему Repository Library для индексации, поиска и анализа связей между научными публикациями и репозиториями кода. Модель использует базовую SciBERT allenai/scibert_scivocab_uncased, содержит 137,1 млн параметров и принимает текст длиной до 512 токенов. Обучающие данные сформированы из метаданных arXiv и данных о репозиториях и фрагментах кода; заявленные метрики эксперимента — accuracy и macro-F1. Модель рассчитана на классификацию и планирование по научным аннотациям, а качество следует проверять в целевом сценарии. Это полноразмерное дообучение, опубликованное в формате safetensors и доступное через Transformers. Лицензия в предоставленных сведениях не указана.

CMB-ClimateModernBERT/A_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это чекпойнт на 149 млн параметров, полученный продолженным предобучением answerdotai/ModernBERT-base на академических текстах о климате; модель поддерживает контекст до 8192 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для исследований в области обработки климатических текстов и последующего дообучения для классификации, многометочной разметки и поиска по корпоративной климатической отчетности, документам государственной политики, научным публикациям и новостям. В описанной авторами оценке она набрала средний F1 75,3 на девяти климатических NLP-бенчмарках; авторы отмечают, что для общего применения предпочтительнее объединённая модель Merge_Soup_LRD. Модель заполняет пропуски в тексте и формирует представления текста, но не является чат-ботом или системой, следующей инструкциям. Она рассчитана на английский язык; результаты бенчмарков преимущественно относятся к предложениям и фрагментам текста, поэтому возможности длинного контекста в них проверены не полностью. Лицензия в предоставленных данных не указана.

CMB-ClimateModernBERT/A_CX_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная авторами проекта ClimateModernBERT посредством дополнительного предобучения ModernBERT-Base на академических текстах о климате. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает контекст до 8192 токенов. Основная задача модели — заполнение маскированных пропусков в тексте; её также можно дообучать для классификации, многометочной разметки и поиска по климатическим текстам. Модель предназначена для исследований в области обработки естественного языка о климате: научных статей, корпоративной климатической отчётности, документов по политике и новостей. В опубликованной оценке она показала средний F1 74,4 по девяти климатическим NLP-бенчмаркам. Авторы рекомендуют для общего использования объединённую модель Merge_Soup_LRD с более высоким средним F1. Это masked language model, а не диалоговая или инструкционная система; опубликованная оценка в основном охватывает предложения и фрагменты текста, поэтому возможности длинного контекста проверены ограниченно. Модель рассчитана только на английский язык. Лицензия модели в предоставленных сведениях не указана.

Hygroskopisch/bge-m3-ifc-kbob-finetuned — дообученная компанией или автором Hygroskopisch модель BAAI/bge-m3 для поиска соответствий между метаданными элементов IFC и названиями материалов в каталогах типа KBOB. Она предназначена для поиска строительных материалов в рабочих процессах LCA и формирования списка кандидатов для последующей проверки человеком. Модель построена на XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в эмбеддинги размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 128 токенов, а в метаданных — контекст 8194 токена. Поддерживаются немецкий и английский языки; базовая BGE-M3 также является многоязычной. В тесте на 389 запросах Hit@1 составил 97,43% для обычных запросов, 88,43% для запросов с опечатками и 75,32% при пропуске атрибута. Результаты чувствительны к полноте атрибутов IFC: пропуск значений ухудшает ранжирование сильнее, чем опечатки, поэтому для важных назначений следует проверять несколько кандидатов и подтверждать выбор специалистом. Модель не предназначена для самостоятельных юридических, закупочных или критичных для безопасности решений и не заменяет экологические декларации. Лицензия — MIT.

CourtInsight BNS Encoder — модель эмбеддингов на базе nomic-ai/nomic-embed-text-v1.5, разработанная для системы поиска правовой информации CourtInsight. Она принимает англоязычное описание юридической ситуации и помогает находить семантически релевантные положения Bharatiya Nyaya Sanhita, 2023 (BNS). Модель построена на архитектуре NomicBert, распространяется в формате safetensors и рассчитана на контекст до 2048 токенов. Для работы с Sentence Transformers в запросах используется префикс search_query:, а в индексируемых документах — search_document:. Модель обучена на данных по 358 разделам BNS с использованием 10 545 триплетов запрос–положительный пример–отрицательный пример и TripletLoss с косинусным расстоянием. Её можно применять для семантического поиска положений закона, извлечения кандидатов для RAG, юридического образования и исследований. В описанных оценках использовались синтетические или построенные по тексту закона запросы; эти результаты не показывают точность на реальных пользовательских запросах. Модель специализирована только на BNS 2023 и английском языке; она не предназначена для поиска по судебным делам, определения ответственности или предоставления юридических рекомендаций. Неоднозначные запросы и похожие нормы могут приводить к выбору близких, но неверных положений, поэтому найденный текст следует проверять по действующему законодательству. Лицензия — Apache-2.0.

ai4data разработала devdata-search-harrier-270m-cgist — двунаправленную bi-encoder-модель для получения текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Это дообученная версия microsoft/harrier-oss-v1-270m на наборе DevDataBench; модель кодирует запросы и описания данных в векторы для последующего поиска и сравнения, но сама не является поисковым сервисом. Модель основана на плотной текстовой архитектуре Gemma 3, содержит 257 млн параметров и рассчитана на контекст до 32 768 токенов по метаданным. В обучении применялись перестановка полей и их случайное исключение, чтобы представление меньше зависело от порядка полей; README указывает максимальную длину последовательности 512 токенов и отсутствие специальных префиксов для запросов и документов. Репозиторий использует Sentence Transformers и формат safetensors. Модель предназначена для векторизации запросов и записей статистических метаданных, чтобы находить релевантные наборы данных и сравнивать их по смыслу. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества; специализация на структурированных статистических метаданных ограничивает основания ожидать одинаково высокое качество для произвольных текстов.

jonam-ai/legal-slm-125m-sft — компактная языковая модель на 125,8 млн параметров с архитектурой Llama, разработанная jonam-ai. Это полное supervised fine-tuning базовой модели thesreedath/slm-125m-base для ответов на вопросы по праву и финансам. Модель обучена на 5 846 синтетических вопросах и ответах, подготовленных по материалам судебных дел США, документов SEC и образовательных веб-страниц; длина контекста — 1 024 токена. Модель предназначена для генерации ответов на вопросы, извлечения сведений, краткого пересказа и переформулирования текста на английском языке. Она демонстрирует форму ответов, основанных на предоставленных материалах, но из-за малого размера может выдумывать названия дел, нормы права и числовые данные. Её нельзя использовать как источник юридических, финансовых или иных фактических рекомендаций. Лицензия — Apache-2.0.

AI71ai/Llama-agrillm-3.3-70B — языковая модель для сельского хозяйства, разработанная ai71 в рамках инициативы AgriLLM. Это дообученная методом LoRA модель meta-llama/Llama-3.3-70B-Instruct: плотный трансформер семейства Llama с 69,5 млрд параметров. Модель предназначена прежде всего для использования в системах RAG с внешними сельскохозяйственными базами знаний, а не как самостоятельный источник универсальных ответов. Модель отвечает на вопросы по агрономии на основе предоставленного или найденного контекста, суммирует сельскохозяйственные документы, формирует рекомендации и помогает анализировать сценарии. В метаданных указан контекст до 131 072 токенов, библиотека Transformers и поддержка английского языка. Весовая лицензия — llama3.3. Ответы могут содержать ошибки и предубеждения; их следует проверять, особенно при принятии важных решений. Модель не заменяет специалистов и не предназначена для диагностики, официальных заключений, финансовых или правовых решений либо для работы с актуальными измерениями датчиков без соответствующих данных.

LumynaX Long-Context Yi-9B 200K — ранний эксперимент AbteeX AI Labs на базе 01-ai/Yi-9B-200K, опубликованный как архивный выпуск. Модель предназначена для генерации текста с длинным контекстом; заявленный размер — 8,6 млрд параметров, архитектура — плотная LlamaForCausalLM, библиотека — Transformers, формат весов — safetensors, контекст — до 262 144 токенов. В этом выпуске Yi-9B-200K подключена через маршрутизацию во время выполнения и интеграцию идентичности, без изменения или слияния исходных весов. README описывает общий подход LumynaX к интеграции специализированных моделей, но отмечает, что этот архивный пакет не содержит полной современной реализации LumynaX Core. Для использования указана лицензия Apache-2.0. Модель помечена разработчиком как устаревший и более не поддерживаемый исследовательский артефакт; её не рекомендуют для промышленного применения. Базовая модель поддерживает английский и китайский языки; для этой карточки явно указан английский язык.

Minbyul/selfbiorag-7b-dpo-full-sft-wo-medication_qa — языковая модель на архитектуре Llama с 6,6 млрд параметров, дообученная методом DPO на датасете HuggingFaceH4/ultrafeedback_binarized поверх Minbyul/selfbiorag-7b-wo-medication_qa-sft. Она предназначена для генерации текста; название базовой модели указывает на биомедицинский RAG и ответы на вопросы без тематики лекарств, однако README не раскрывает конкретные сценарии её применения. Модель использует формат safetensors и имеет контекст длиной до 4096 токенов. В карточке приведены метрики оценки DPO, включая точность предпочтений 0,892 на оценочном наборе. Условия лицензии в предоставленных данных не указаны.

Модель thealper2/flan-t5-base-medal-abbreviation-expansion разработана на основе google/flan-t5-base и дообучена на подмножестве MeDAL для раскрытия медицинских сокращений с учётом контекста. На вход подаются контекстное окно и сокращение, на выходе модель генерирует его полную расшифровку. Это текстовая модель семейства T5 с архитектурой T5ForConditionalGeneration, содержащая 123,8 млн параметров; базовая модель поддерживает несколько языков, но эта версия предназначена для английских медицинских текстов. Нативная длина контекста — 512 токенов. На тестовой выборке MeDAL точность Exact Match составила 41,87%; в оценке контекстный вариант заметно превзошёл вариант без контекста. Модель обучалась на аннотациях к публикациям PubMed, поэтому её качество на клинических записях не проверено. Метки датасета могут быть шумными, входы с обычной пунктуацией и регистром могут отличаться от обучающих данных, а сгенерированные формулировки могут не совпадать с каноническими вариантами. Модель не валидирована для клинического применения. Лицензия — Apache-2.0.

GLiNER2 — дообученная модель извлечения упоминаний источников данных из научных статей по экономике. Она размечает фрагменты текста тремя типами: именованные источники данных, описанные без названия источники и расплывчатые упоминания данных. Базовая модель — fastino/gliner2-large-v1; модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для поиска упоминаний наборов данных, обследований, переписей и реестров в экономических исследованиях. На отложенной выборке лучший F1 составил 0,4664 при пороге 0,1, а лучший F0.5 — 0,4819 при пороге 0,3, что указывает на заметные ошибки извлечения. Карточка сообщает об одном эпохе дообучения на специализированном наборе данных; контекст и поддерживаемые языки не приведены.

FaridHuggingFace/legal-rag-qwen2-0.5b-grpo — дообученная модель семейства Qwen2, разработанная FaridHuggingFace на базе FaridHuggingFace/legal-rag-qwen2-0.5b-basic с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста; название и базовая модель указывают на применение в сценариях юридического RAG, например для ответов на вопросы по правовым документам. Модель содержит 494 млн параметров, поддерживает контекст длиной до 32 768 токенов и работает с текстом на английском языке. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений в юридических сценариях.

Llama-3-8B-Instruct-Finance-RAG — дообученная модель на основе Meta Llama 3 8B Instruct, созданная для ответов на вопросы по финансовому контексту. Разработчик дообучил её с помощью LoRA на 4 000 примерах набора virattt/financial-qa-10K и ориентировал на сценарий, в котором модель получает вопрос и связанный с ним текстовый фрагмент. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Она предназначена для финансовых RAG-систем, где ответ формируется по предоставленной информации; карточка указывает английский язык, а контекстное окно составляет 8 192 токена. Репозиторий использует Transformers и формат safetensors. Модель распространяется по лицензии Llama 3. Качество ответов зависит от полноты и точности переданного контекста; карточка описывает финансовый набор данных и RAG-сценарий, но не приводит оценок качества на независимых тестах.

Loom Spark 1.8 — небольшая языковая модель Textile Labs, обученная с нуля на CPU. Она построена на архитектуре GPT-2 и содержит 18,85 млн параметров; обучение проводилось на синтетическом корпусе Textile Labs без сторонних наборов данных. Модель рассчитана на текстовый ввод и генерацию текста на английском языке, а её контекст ограничен 256 токенами. Модель предназначена для работы в связке с внешней агентной оболочкой: её основная практическая способность — формировать поисковые запросы, которые оболочка исполняет, после чего передаёт результаты модели. Это базовая, а не диалоговая или инструктивная модель; для работы требуется соблюдать специальный формат запросов и корректно задавать стоп-токены. Встроенный harness включает поиск и CLI с веб-интерфейсом. Loom Spark 1.8 намеренно обладает ограниченными знаниями и может подменять факты близкими по ассоциации ответами. README не рекомендует использовать её для фактических ответов и в медицине, праве или финансах. При работе без оболочки возможна утечка токенов поиска, а короткий контекст не поддерживает длительные диалоги. Лицензия модели — MIT.

Macaw — компактная диалоговая модель badtheorylabs для локального управления задачами на macOS. Она дообучена на LiquidAI/LFM2.5-2.6B и использует архитектуру LFM2 с плотной причинно-языковой моделью. Репозиторий содержит сборку BF16 для дообучения или запуска на GPU; приложение использует отдельную 4-битную сборку MLX. Метаданные указывают 2,6 млрд параметров и контекст до 128 000 токенов. Модель предназначена для понимания запросов на естественном языке, вызова инструментов и последовательного выполнения действий в приложениях и файловой системе Mac: например, работы с почтой, календарём и файлами, чтения PDF и проверки сведений о системе. По карточке, Macaw может самостоятельно связывать несколько шагов и проверять результат каждого действия. Указаны поддержка английского языка и запуск на устройстве; заявленные авторами результаты тестирования относятся к их собственной проверке на Apple M2. Лицензия обозначена как other, поэтому точные условия использования следует проверять в карточке репозитория. Работа модели сама по себе не предоставляет macOS-доступ к инструментам: для действий приложению нужны соответствующие инструменты и разрешения. Заявления о точности и скорости основаны на ограниченном тестовом наборе автора и не гарантируют тех же результатов в других условиях.

CMB-ClimateModernBERT/Merge_DARE_D05_LRD — англоязычный masked language model семейства ModernBERT, разработанный в рамках проекта ClimateModernBERT. Это объединённый чекпойнт DARE-TIES на базе answerdotai/ModernBERT-base, дообученный на климатических академических текстах, синтетических материалах и климатически релевантных веб-текстах; модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для исследований в области NLP по климатической тематике и может служить энкодером текста или основой для дообучения классификаторов, многометочных моделей и поиска по корпоративной отчётности, документам по климатической политике, научным публикациям и новостям. В девяти климатических NLP-бенчмарках авторы сообщают средний F1 74,7; это результат оценки с дообучением на бенчмарках, а не гарантия качества для произвольных задач. Модель принимает текст и предсказывает замаскированные токены; она не является чат- или инструкционной системой и не даёт калиброванных гарантий фактической точности. Оценка сосредоточена на уровне предложений и фрагментов, поэтому возможности длинного контекста проверены не полностью. Лицензия в предоставленных данных не указана.

ClimateModernBERT Soup — англоязычный encoder-only чекпойнт семейства ModernBERT, созданный авторами проекта ClimateModernBERT продолжительным предобучением ModernBERT-Base на климатических текстах и усреднением трёх чекпойнтов Phase 2. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает последовательности длиной до 8192 токенов. Основная задача — заполнение пропусков в тексте; представления модели также предназначены для последующего дообучения на классификацию, многометочную разметку и поиск. Модель предназначена для исследований и прикладных NLP-сценариев в климатической тематике: анализа корпоративной отчётности, политических документов, научной литературы и новостей. В статье сообщается средний F1 76,3 на девяти климатических бенчмарках. Модель рассчитана только на английский язык; это masked language model, а не система, следующая инструкциям, и её ответы не дают гарантии фактической достоверности. Лицензия в предоставленных данных не указана.

Mistral-BioMed-Tool-Caller-7B — дообученная модель Rumiii на базе Mistral-7B-Instruct-v0.3, предназначенная для вызова биомедицинских инструментов. Получив вопрос и схемы доступных инструментов, она выбирает подходящий API и формирует аргументы вызова в формате [TOOL_CALLS] модели Mistral. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Дообучение выполнено методом QLoRA с 4-битной базой, рангом и alpha адаптера 32. Обучающий набор BioTool включает 7 040 проверенных человеком примеров и шаблоны для 127 инструментов NCBI E-utilities, UniProt REST и Ensembl REST. Небольшая доля общих инструкций была добавлена для сохранения диалоговых возможностей базовой модели. Модель подходит для поиска геномных и белковых данных, анализа вариантов и сравнительной геномики. Лицензия — Apache-2.0. Модель не обучалась для клинических API, включая поиск по ICD-10, лекарственным базам и реестрам клинических испытаний; надёжность сформированных вызовов следует проверять перед использованием. В метаданных указан английский язык.

Qwen3.5-27B-WebArena-Agentic-ESOpt — полноразмерная дообученная текстовая модель на базе Qwen/Qwen3.5-27B, подготовленная для задач WebArena. Разработчик репозитория описывает её как итоговую модель эксперимента NoSkill + Agentic-ESOpt: обучение велось методом Agentic-ESOpt с популяцией из 8 вариантов и 70 поколениями, с обновлением всех параметров и нормализацией награды z-score. Модель предназначена для генерации текста в агентных сценариях, связанных с выполнением задач в веб-среде WebArena. В трёх запусках она показала средний результат 36,16% по оценке WebArena. Архитектура — плотная Qwen3.5 для причинной генерации текста; размер по метаданным — 22,3 млрд параметров, контекст — до 262 144 токенов. Репозиторий содержит веса safetensors и файлы токенизатора. Лицензия — Apache-2.0. Указанный результат относится к оценке WebArena и сам по себе не характеризует качество на других задачах; карточка не приводит подробностей обобщения на другие веб-сайты или сценарии.

CMB-ClimateModernBERT/S_CX_LRD — англоязычная модель-энкодер ModernBERT-Base, разработанная авторами семейства ClimateModernBERT для задач обработки климатических текстов. Это masked language model с 149 млн параметров и контекстом до 8192 токенов; она предсказывает пропущенные токены и может служить основой для дообучения под классификацию, многометочную разметку и поиск по климатическим документам. Модель прошла продолженное предобучение на синтетических климатических текстах, созданных языковой моделью на основе тематических фрагментов. В оценке на девяти климатических NLP-бенчмарках она показала средний F1 74,5 по протоколу авторов. Разработчики отмечают пользу синтетических данных для задач, основанных на таксономиях и фреймворках, и возможное снижение качества при анализе тонких смысловых различий и обязательств. Для общего применения авторы рекомендуют объединённую модель Merge_Soup_LRD. Модель предназначена для исследований и прикладной настройки в климатическом NLP, включая анализ корпоративной отчётности, политических документов, научной литературы и новостей. Она не является диалоговой или инструкционной моделью и не гарантирует достоверность климатических утверждений. Лицензия в доступных данных не указана.

Time-Embed BGE-M3 LMS Temporal Phase2.72 — дообученная модель kev-KOH для получения эмбеддингов корейских запросов временного поиска в системах LMS. Она основана на BAAI/bge-m3 и специализируется на различении относительных временных выражений: точной длительности, календарного периода, скользящего окна и будущего срока. Модель использует архитектуру XLM-RoBERTa с плотным представлением, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для извлечения эмбеддингов в примере используется FlagEmbedding. Контрольные оценки автора показывают узкое улучшение на временных и календарных проверках; также приведены результаты KLUE-STS, KorSTS и KLUE-NLI без общего катастрофического забывания относительно базовой модели. Улучшение на семантическом строгом фронтире очень мало, поэтому качество следует проверять на целевых данных LMS и отслеживать сохранение семантических характеристик. Модель предназначена для специализированного поиска, а не для замены BAAI/bge-m3 общего назначения. Лицензия — MIT.

Это модель-оценщик на базе RoBERTa, дообученная на наборе Wikidata SimpleQuestions для выбора релевантных отношений в графе знаний. Она предназначена для сценариев поиска ответа на простой вопрос по Wikidata: оценивать отношения-кандидаты, найденные при извлечении подграфа, и помогать выбрать подходящее для вопроса отношение. В репозитории указаны архитектура RoBERTa для masked language modeling, 151,8 млн параметров и контекст до 514 токенов; доступны веса PyTorch и safetensors. Модель разработана drt и распространяется по лицензии MIT. Метаданные Hugging Face помечают её задачей fill-mask, однако README описывает специализированное ранжирование отношений; отдельный pipeline-тег text-ranking не заявлен. Она обучена на конкретном наборе вопросов Wikidata, поэтому область применения ограничена выбором отношений для вопросов этого типа; сведения о языках в карточке не приведены.

ymelka разработала дообученный французский cross-encoder на базе DistilCamemBERT для переупорядочивания результатов поиска по аптечным карточкам и лекарствам. Модель предназначена для короткого списка кандидатов, найденного отдельным поисковым модулем: она оценивает релевантность карточек запросам о дженериках, дозировке, лекарственной форме, способе применения и подходящей возрастной группе. Размер в метаданных — 81,2 млн параметров; README указывает около 68 млн. Архитектура — CamemBERT для классификации последовательностей, формат весов — safetensors; контекст модели по метаданным — 514 токенов, а в рецепте обучения и примере использования задано ограничение 256 токенов. Модель лицензирована по MIT. В описанном тесте на аптечных данных она улучшила метрики переупорядочивания относительно родительской модели, особенно для запросов о замене препарата. Результаты ограничены условиями оценки: проверялись преимущественно французские аптечные карточки и запросы, а лекарственные сущности частично пересекались между обучением и тестом. Модель не проверена для оценки противопоказаний, взаимодействий, беременности, почечных или печёночных состояний и не предназначена для принятия клинических решений.

ClimateGPT-7B-FSG — экспериментальная языковая модель, разработанная AppTek при поддержке Erasmus AI и проверке EQTYLab для синтеза междисциплинарных материалов об изменении климата. Это декодерный Transformer семейства Llama с 6,6 млрд параметров: модель дообучена на основе meta-llama/Llama-2-7b-hf, продолжила предобучение на климатических документах и прошла настройку на инструкциях. Она генерирует текст на английском языке, поддерживает контекст до 4096 токенов и может учитывать до пяти переданных в контексте источников. Модель предназначена для ответов на вопросы по климатической тематике и работы с дополнением извлечёнными документами (RAG), в том числе для воспроизведения результатов исследований и экспериментов с LLM. Разработчики рекомендуют RAG для расширения знаний и повышения фактической точности; для расширения языкового охвата предлагается каскадный машинный перевод. Модель распространяется по ClimateGPT Community License. Она может выдавать предвзятые, оскорбительные или неточные ответы; карточка описывает её как исследовательский эксперимент и рекомендует другие версии ClimateGPT для прочих сценариев использования.

MoshiRAG — разработанная Kyutai компактная полно-дуплексная речевая языковая модель, предназначенная для диалога в реальном времени с асинхронным поиском внешних сведений. В этой версии используются Candle на Rust и точность bf16; репозиторий содержит только речевую фронтальную модель, а не систему поиска целиком. Модель непрерывно слушает и отвечает, а при необходимости запускает получение справочных текстов в параллельном бэкенде. Во время ожидания она может произносить краткие предварительные ответы, после чего использует найденные сведения для последующих фрагментов ответа. Для формирования контекста бэкенду нужны текст внутреннего монолога модели и транскрипция речи пользователя; для транскрипции требуется отдельная потоковая ASR-модель. Модель рассчитана на английский язык и дообучена на основе kyutai/moshika-candle-bf16. Лицензия — CC-BY 4.0. К ограничениям относятся сравнительно ограниченные возможности и смещения в сторону тем, чаще представленных в обучающих данных. Качество и безопасность ответов с опорой на источники зависят от выбранного поискового бэкенда; модель обучена использовать один голос. Разработчик не рекомендует применять её для профессиональных консультаций или имитации личности.

OpenMed-NER-BloodCancerDetect-PubMed-109M — модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Это дообученная модель на архитектуре BERT для классификации токенов: она присваивает токенам метки B-CL и I-CL, формируя BIO-разметку сущностей. В карточке указана базовая архитектура BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения упоминаний CLL из научной литературы и медицинских документов, в том числе для тематического поиска и анализа текстов в гематологии и онкологии. В README приведены F1 0,62, точность 0,85 и полнота 0,48 на датасете CLL, поэтому пропуск части сущностей возможен. Эти результаты не подтверждают заявленную в карточке пригодность для клинических решений. Доступна по лицензии Apache-2.0.