I.1Поиск и навигация по информации

KGESH/nsfw-bge-m3-v6d — текстовая модель Sentence Transformer на архитектуре XLM-RoBERTa, дообученная для построения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и поддерживает сравнение по косинусному сходству; заявленная максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных текстов. По примерам обучающей выборки модель различает близкие по смыслу формулировки сексуального характера и обычные значения похожих слов. Данные включают 170 пар предложений с оценками сходства, а обучение проводилось с OnlineContrastiveLoss. Это специализированный небольшой набор, поэтому качество за пределами подобных сопоставлений не подтверждено. В метаданных указана лицензия? No. Avoid. Разработчик не описан в карточке; модель опубликована под идентификатором KGESH/nsfw-bge-m3-v6d. Условия лицензирования в предоставленных данных не приведены.

SteuerLLM — специализированная языковая модель на 28 млрд параметров для анализа немецкого налогового права. Её разработчики расширили архитектуру Mistral Small с 24 до 28 млрд параметров методом расширения блоков; модель работает с контекстом до 32 768 токенов и поддерживает диалоговый режим. Модель прошла продолженное предобучение на материалах по налоговой тематике и дообучение на синтетических парах вопросов и ответов, подготовленных по немецким первичным правовым источникам. Она предназначена для ответов на вопросы по налоговому праву, точного цитирования норм, структурированной правовой аргументации и решения экзаменационных задач. Оценивалась на SteuerEx — наборе из 115 экспертно проверенных вопросов по шести областям немецкого налогового права. Модель рассчитана на немецкий язык и задачи налогового права Германии. Она генерирует текст и может применяться через Transformers, vLLM и SGLang. Результаты требуют проверки: тестирование охватывало ограниченный набор экзаменационных вопросов и само по себе не подтверждает точность для всех практических юридических ситуаций. Лицензия CC BY-NC 4.0 разрешает использование только на условиях этой лицензии, включая ограничения на коммерческое применение.

Tahsin-Mayeesha/squad-bn-mt5-base2 — дообученная модель на базе google/mt5-base, построенная на архитектуре T5 и предназначенная для генерации текста по текстовому запросу. Название модели указывает на работу с вопросами и ответами по SQuAD на бенгальском языке, однако README не описывает формат входа и обучающий набор данных: в карточке датасет обозначен как None. В README приведены результаты оценки: ROUGE-1 F-меры 32,67 и BLEU-4 6,62. Модель содержит 291,2 млн параметров, доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает о длине контекста или практических ограничениях.

neuraltxt-v1-135M — компактная языковая модель на 134,5 млн параметров от Neural Breakdown, созданная дообучением HuggingFaceTB/SmolLM-135M. Модель предназначена для узких задач по научным статьям об искусственном интеллекте: ответов на вопросы, извлечения тезисов, подготовки пар «вопрос–ответ» и формулирования вопросов по фрагменту текста. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM, принимает и генерирует текст на английском языке и поддерживает контекст до 2048 токенов. Для запуска автор рекомендует harness neural-txt; README описывает структурированный JSON-режим для методов этого интерфейса. В карточке приведены сравнительные оценки на задачах вопросов и поиска по научным статьям, однако они не гарантируют аналогичного качества на других типах текстов. Модель распространяется по лицензии MIT. Её специализация на статьях об ИИ и короткий контекст ограничивают применение за пределами этой области; ответы следует проверять на точность и полноту.

Модель Sentence-BERT на базе MPNet, разработанная R. Michael Alvarez и Jacob Morrier. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и дообучена на 2 917 парах вопросов и ответов из периода вопросов в Палате общин Канады с 2006 по 2021 год. Модель предназначена для семантического поиска релевантных ответов и оценки качества ответов на политические вопросы, в том числе парламентские. Её можно применять для сопоставления вопросов с ответами и ранжирования кандидатных ответов по косинусному сходству. Модель рассчитана на английский язык; контекст составляет до 514 токенов. Лицензия — MIT. Качество и надёжность могут снижаться при использовании вне исходного парламентского контекста из-за сдвига предметной области. При оценке политических ответов следует учитывать описанные авторами риски и смещения.

rahulreddyhanu выпустил инструкционно настроенную модель slm-125m-legal-financial-sft для ответов на вопросы по юридическим и финансовым текстам США. Это плотная Llama-подобная авторегрессионная модель с 125,8 млн параметров и контекстом до 1024 токенов, дообученная на 8000 парах вопросов и ответов, подготовленных с помощью GPT-4o-mini и проверенных Gemini 2.5 Flash. Модель принимает текст с контекстным отрывком и вопросом и генерирует краткий ответ, опирающийся на предоставленный материал. Подходит для демонстрационных и экспериментальных сценариев, например для ответов на вопросы по юридическим или финансовым документам. Небольшой размер облегчает запуск, однако ответы могут содержать фактические ошибки и требуют проверки; надёжность для принятия юридических или финансовых решений не подтверждена. Модель распространяется по лицензии Apache-2.0.

WaterBERT — англоязычный BERT-base энкодер от Mudi12137, адаптированный для текстов о сточных водах и водоочистке. Модель создана продолжением предобучения SciBERT с masked language modeling на корпусе научной литературы по водоподготовке; используется словарь SciBERT на 31 090 токенов. Размер — 137,1 млн параметров, контекст — до 512 токенов. Модель подходит для предсказания замаскированных слов и как основа для дообучения на задачах обработки профильных текстов: распознавании сущностей, извлечении отношений, классификации и поиске. Лицензия — Apache-2.0. WaterBERT рассчитана на английский текст с автоматическим приведением к нижнему регистру. Обучающий корпус преимущественно состоит из научных аннотаций, поэтому качество на эксплуатационных журналах и нормативных документах не оценено.

Модель Raynard J. предназначена для поиска фрагментов в литературе на классическом китайском языке по запросу на современном китайском. Она помогает находить текст по приблизительному воспоминанию о содержании или по современной формулировке идеи, а также подбирать цитаты и ускорять чтение древних текстов. Это плотная модель семейства BERT с 129,5 млн параметров, опубликованная в формате PyTorch. Она принимает текст и формирует признаки для семантического поиска; заявленный контекст составляет 512 токенов. В карточке указан китайский язык. Для поиска README предлагает применять косинусное сходство с подходящей поисковой системой или библиотекой. Лицензия и количественные результаты оценки в предоставленных данных не указаны. Описание ориентировано на поиск по древнекитайской литературе; пригодность для других языков и задач не подтверждена.

ZaraRerank — англоязычный кросс-энкодер-реранкер, разработанный Brigham Young University–Idaho для поиска по Стандартным трудам Церкви Иисуса Христа Святых последних дней. Модель принимает вопрос и текст кандидатного стиха вместе и оценивает их релевантность; её предполагаемый сценарий — перестановка результатов ZaraEmbed, обычно среди 100 кандидатов. Это дообученная ZaraBERTa на архитектуре RoBERTa с 24 слоями, размером 456,1 млн параметров и одним выходным логитом. Контекст модели — 514 токенов; в описанном авторами режиме использования вход ограничивается 128 токенами. В тестах авторов связка ZaraEmbed и ZaraRerank поставила правильный стих на первое место в 243 из 289 вопросов без имён и в 222 из 289 вопросов с именами и описаниями событий. Это результаты конкретных тестов, а не гарантия качества для любых запросов. Модель обучена на общедоступных текстах; заголовки глав, сноски и церковные учебные материалы не использовались. Она предназначена для исследований и как вспомогательное средство личного изучения Писания, но не является доктринальным авторитетом или официальной публикацией Церкви. Лицензия — MIT.

BGE-Meteo-zh-v2 — китайская доменная модель эмбеддингов для поиска метеорологических материалов в RAG-системах. Разработана nmcsitian путём дообучения BAAI/bge-large-zh-v1.5; использует архитектуру BERT и библиотеку Sentence Transformers, содержит около 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена контрастивным методом на синтетических вопросах и ответах по метеорологическим книгам; для запросов требуется префикс-инструкция, а эмбеддинги нужно нормализовать. При ручной загрузке через Transformers следует использовать CLS pooling. На отложенной выборке из метеорологических книг модель показала более высокие показатели поиска, чем исходная BGE и BM25 по отдельности. Она подходит для семантического поиска и извлечения релевантных фрагментов о метеорологии на китайском языке, в том числе в RAG-сценариях. Качество может снижаться по мере удаления предметной области от метеорологии; для более устойчивого поиска автор рекомендует объединять результаты с BM25, а для общих задач использовать базовую модель. Лицензия — MIT.

CMB-ClimateModernBERT/F_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная как часть проекта ClimateModernBERT. Это версия Phase 1, полученная продолжением предобучения ModernBERT-Base на корпусе Climate Web, отфильтрованном по тематике климата. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и поддерживает контекст до 8192 токенов. Модель предназначена для исследований в области обработки климатических текстов и может служить энкодером для дообучения на классификацию, многометочную разметку и поиск по корпоративной отчётности, документам государственной политики, научным публикациям и новостям о климате. В качестве masked language model она также решает задачу заполнения пропусков в тексте. В описанной оценке на девяти климатических NLP-бенчмарках средний F1 составил 74,1; для общего использования авторы рекомендуют другую, объединённую модель из семейства. Модель работает только с английским языком и не является инструкционной системой; её оценки не дают калиброванных гарантий фактической точности. Длинный контекст не был полностью проверен в приведённой оценке, а выводы о составе корпуса относятся к климатическому NLP. README не сообщает лицензию весов.

Kanha-AI разработала экспериментальный чекпойнт на основе openbmb/MiniCPM5-1B для контролируемой оценки ответов на вопросы по сайтам. Модель дообучена методом QLoRA на 210 обучающих записях из набора данных, основанного на содержимом сайтов; итоговые веса сохранены в формате bfloat16. Это плотная авторегрессионная языковая модель архитектуры Llama с 837,6 млн параметров и контекстом до 131 072 токенов. Модель предназначена для генерации кратких ответов только по предоставленному контексту, полученному системой поиска. Если ответа в контексте нет, обученный шаблон предписывает сообщить, что на вопрос нельзя ответить по предоставленным данным. Проверка на контексте-источнике показала слабое прохождение оценённых поведенческих случаев; качество поиска не оценивалось, а готового проверенного артефакта MLC нет. Модель может выдавать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные; README рекомендует проверять результаты и целевую среду запуска. Лицензия в предоставленных сведениях не указана.

OpenMed разработала OpenMed-NER-OrganismDetect-ElectraMed-560M — модель на основе XLM-RoBERTa для распознавания названий организмов в тексте. Она дообучена для token classification на корпусе SPECIES800 и выделяет упоминания видов с помощью меток B-SPECIES и I-SPECIES. Модель предназначена для извлечения названий видов из научной биомедицинской литературы и других текстов, содержащих сведения об организмах. Её можно применять для поиска упоминаний видов, анализа литературы и создания баз знаний по биоразнообразию и таксономии. README приводит F1 0,80, точность 0,77, полноту 0,83 и accuracy 0,97 на SPECIES800. Модель содержит 658,7 млн параметров, принимает текст и выдаёт BIO-разметку сущностей; указанная длина контекста — 514 токенов. В README также перечислены клинические и фармацевтические сценарии, однако модель выделяет сущности видов и не заявлена как инструмент для распознавания лекарств или лекарственных взаимодействий. Карточка указывает английский язык и лицензию Apache-2.0.

Sim-Scholar Qwen3 4B — исследовательский чекпойнт Trillion Labs для поиска по научной литературе с помощью инструментов. Он создан на базе Qwen/Qwen3-4B-Thinking-2507 и дообучен методом on-policy reinforcement learning с GRPO в локальной поисковой среде S3. Модель имеет плотную архитектуру Qwen3, 3,7 млрд параметров и контекст до 262 144 токенов; опубликована в формате Safetensors и рассчитана на генерацию текста в диалоговом режиме. Чекпойнт предназначен для экспериментов с агентами поиска литературы, ответами на научные вопросы с опорой на поиск и переносом из симулированной среды в реальные инструменты. В оценке на подмножестве LitQA2 он показал точность 0,453 против 0,173 у базовой модели, однако чекпойнт выбрали после просмотра результатов на этом же тесте, поэтому показатель диагностический, а не независимый бенчмарк. Обобщение на поиск конкретных статей не наблюдалось. Для воспроизведения поведения нужны совместимые определения инструментов, форматирование запросов и результатов, а также настройки остановки генерации. Модель может выдумывать статьи, ссылки и ответы; обучающие вопросы были синтетическими и охватывали только информатику. Не следует использовать её как авторитетный источник научной или медицинской информации. Лицензия — Apache-2.0.

Barcenas-14b-Juridico-Mexicano — разговорная языковая модель для ответов на вопросы о законодательстве Мексики и материалах Верховного суда страны (SCJN). По карточке, модель обучена на 50 документах SCJN в формате «вопрос — ответ» и основана на VAGOsolutions/SauerkrautLM-Phi-3-medium. В метаданных архитектура указана как MistralForCausalLM семейства Mistral; размер — 13,8 млрд параметров, контекст — 4096 токенов. Модель принимает текст и генерирует текст на испанском языке. Она предназначена для ознакомления с мексиканским правом и поиска ответов на вопросы о законах страны. Лицензия — MIT. Небольшой набор обучающих документов ограничивает охват правовых тем; ответы не следует считать заменой профессиональной юридической консультации.

fractalego/creak-sense — модель на базе GPT-2, обученная разработчиком на наборе CREAK для оценки того, согласуется ли предложение с фактами из этого набора. Модель предназначена для проверки утверждений и может возвращать объяснение к оценке. Для использования автор предлагает библиотеку creak-sense; в репозитории указаны PyTorch и контекст 1024 токена. Модель подходит для экспериментов с проверкой фактической согласованности коротких предложений в контексте CREAK. Данных о поддерживаемых языках, качестве на других наборах и лицензии в предоставленных источниках нет.

LinkjeBERT — модель DEJAN AI для предсказания мест размещения гиперссылок в нидерландском тексте. Это бинарный классификатор токенов на архитектуре DeBERTa V2, дообученный на microsoft/mdeberta-v3-base; размер модели — 306 млн параметров, максимальная длина контекста — 512 токенов. Для каждого токена модель выдаёт вероятности меток O (не ссылка) и LINK (текст ссылки), что позволяет подбирать порог классификации и визуализировать подходящие фрагменты. Модель принимает текст в Markdown с удалёнными существующими ссылками. При обучении сохранялись заголовки, выделение, списки и цитаты, поскольку они дают контекст для редакторского выбора места ссылки. Для документов длиннее 512 токенов README рекомендует обработку скользящими окнами с перекрытием. LinkjeBERT предназначена для подсказок по внутренней перелинковке, оценки естественности размещённых ссылок и поиска неестественных или спамных ссылочных паттернов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

SAURON — модель Sentence Transformers, разработанная Тимом Коорнстрой в рамках магистерской работы по искусственному интеллекту для представления авторского стиля в текстах. Она кодирует предложения и абзацы в плотные векторы размерностью 768, используя архитектуру RoBERTa с 151,9 млн параметров и контекстом до 514 токенов. Обучение на диалогах Reddit с помощью Triplet Loss и семантически сходных высказываний помогает отделять особенности стиля от содержания. Модель предназначена для поиска и группировки текстов по стилю письма, а также для анализа связи стиля и содержания. Поддерживает английский язык. Распространяется по лицензии GPL-3.0.

Ananya8154/Gemma-2-2B-Indian-Law — англоязычная языковая модель на архитектуре Gemma 2, дообученная на 24,6 тыс. пар вопросов и ответов по законодательству Индии. Модель содержит 2,7 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов; для обучения применялась конфигурация Unsloth, а LoRA-веса объединены с базовой моделью в 16-битном формате. Модель предназначена для юридических вопросов и ответов, поиска сведений о предыдущих делах, а также работы с вопросами о специальных актах, статьях и комментариях в индийском правовом контексте. Лицензия — MIT. Её ответы не следует использовать как юридическую консультацию или основание для решений без проверки специалистом; для права других стран модель не предназначена.

gpt2-medium-squadv11-portuguese — экспериментальный чат-бот, созданный дообучением GPT-2 Medium на португалоязычном наборе squad_v1.1_pt. Модель построена на архитектуре GPT-2 и предназначена для генерации текста в диалоге и ответов на вопросы по контексту на португальском языке. Окно контекста составляет 1024 токена. Модель обучалась 12 часов на видеокарте NVIDIA RTX 3060 с 12 ГБ памяти. Разработчик описывает её как эксперимент; подробные результаты оценки, рекомендуемые сценарии и известные ограничения не приведены. Лицензия — MIT.

Kanha-AI/kanha-kanha.ai-1.7b-full — компактная плотная языковая модель семейства Qwen3, разработанная Kanha AI путём полного дообучения Qwen/Qwen3-1.7B. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и доступна в формате safetensors; для браузерного запуска также приведены MLC-артефакты с квантизацией q4f16_1. Контекстное окно — до 40 960 токенов. Модель предназначена для исследовательского сравнения методов обучения на датасете, полученном с сайта Kanha, и контролируемой оценки ответов на вопросы по содержимому этого сайта. Её основной сценарий — генерация текста и ответы в диалоге по вопросам о материалах сайта. В README приведены результаты оценки на 26 примерах: полнота извлечения дат и URL высокая, но детерминированный показатель прохождения равен нулю, а полнота списков низкая. Модель может давать неверные, неполные или устаревшие ответы и запоминать обучающие данные, поэтому результаты следует проверять. README не указывает лицензию.

oshizo разработала японскую GPT-2-модель на основе rinna/japanese-gpt-1b и дообучила её для извлечения ответов из контекста и уточнения ответа с помощью нового контекста. Модель обучена работать с двумя шаблонами промптов и предназначена для использования с gpt-index версии 0.2.5. Модель принимает текстовый контекст и вопрос и генерирует текстовый ответ, опираясь на предоставленный контекст, а не на предварительные знания. Она предназначена для японского языка; размер контекста составляет 1024 токена. Доступны веса PyTorch, лицензия — MIT. Модель не рассчитана на обычные задачи вопросов и ответов вне сценария gpt-index. Ее применение зависит от указанных шаблонов промптов, а README не сообщает результаты оценки качества.

PDAP/url-relevance — модель классификации текста на базе DistilBERT, опубликованная 7 марта 2024 года. По карточке она обучена с нуля на неизвестном наборе данных; подробности об авторе и назначении в README отсутствуют. Метаданные указывают на задачу text-classification и архитектуру DistilBertForSequenceClassification с контекстом до 2048 токенов. Название репозитория предполагает оценку релевантности URL, однако карточка не подтверждает, какие именно тексты или URL модель принимает и как интерпретировать её классы. Указаны веса в формате safetensors и TensorFlow. README не содержит сведений о метриках, обучающих данных, ограничениях или лицензии, поэтому применимость модели для конкретных сценариев и условия её использования подтвердить нельзя.

Biblical Topical Search — англоязычная модель семантического поиска библейских стихов по тематическим запросам, разработанная в рамках проекта Bible.Systems. Она дообучена на sentence-transformers/all-MiniLM-L12-v2 и преобразует запросы и тексты отрывков в эмбеддинги для поиска и сравнения по смыслу. Архитектура основана на BERT, размер модели — около 40 млн параметров, длина контекста — 512 токенов. Модель обучалась на 136 000 парах «запрос — отрывок» из Nave’s Topical Bible и Treasury of Scripture Knowledge, чтобы находить релевантные стихи перевода KJV по богословским темам. В README указаны метрики NDCG@10 0,1831 и Accuracy@10 0,3188; результаты относятся к описанной авторами оценке. Модель распространяется по лицензии MIT.

Это набор LoRA-адаптеров QVAC, разработанный Tether Data с помощью фреймворка qvac-finetune. Адаптеры дообучены на биомедицинских данных PubMedQA и предназначены для ответов на вопросы в формате «Q: … A: …»; в README указаны варианты для базовых моделей Qwen3 размером 0,6B, 1,7B и 4B. Репозиторий содержит GGUF-адаптеры для текстовой генерации. Модель рассчитана на биомедицинские вопросы и ответы, а не на обычный диалог. README заявляет кроссплатформенный запуск на GPU через Vulkan, Metal или CUDA, включая устройства с Adreno, Mali, Apple Silicon, AMD, Intel и NVIDIA. Для биомедицинских ответов рекомендована температура 0,3–0,5. Лицензия — Apache-2.0. Это исследовательский артефакт: ответы могут содержать ошибки, выдуманные или противоречивые сведения. README запрещает использовать модель для постановки диагноза, выбора лечения или клинических рекомендаций; медицинские решения следует обсуждать с квалифицированными специалистами.

Это полноценно дообученная модель GPT-2-large от автора репозитория medelharchaoui для извлечения ответов из контекста в английских вопросно-ответных задачах формата SQuAD. Она основана на авторегрессионной decoder-only архитектуре GPT-2 с 774 млн параметров и принимает текстовый запрос в формате `answer question: {question: ... context: ...}\nanswer:`, после чего генерирует продолжение с ответом. Модель рассчитана прежде всего на сравнение decoder-only и encoder–decoder подходов, а не на применение как лучший QA-решатель. На подмножестве из 512 примеров валидационной части SQuAD при генерации с поиском по четырём лучам указаны F1 0,5041 и EM 0,3516. Карточка отмечает, что результаты существенно уступают сравниваемым моделям T5. Модель поддерживает английский язык, использует контекст до 1024 токенов и распространяется по лицензии MIT. Ограничение: она предназначена для английских extractive QA в стиле SQuAD; оценка проведена на подмножестве валидации, а не на официальном тестовом сервере.

hyb16-gdn2-s0 — небольшая языковая модель с причинной архитектурой GDN2, разработанная для сравнения способов обработки длинного контекста. В ней 24 слоя: 18 слоёв Gated DeltaNet-2 и 6 слоёв полновнимательного внимания; размер скрытого представления — 1024. Модель содержит около 366 млн параметров по README и обучена на 15 млрд токенов FineWeb-Edu с длиной последовательности 16 384. Метаданные указывают 290,7 млн параметров, поэтому сведения о размере в источниках расходятся. Модель предназначена для исследовательских экспериментов с языковым моделированием и длинным контекстом, включая генерацию текста и проверку извлечения сведений из контекста. В тестах README она показала полное извлечение одного факта вплоть до 32K токенов, но результаты приведены для одного seed. Карточка не подтверждает настройку для диалогов или следования инструкциям; модель обучена на англоязычном веб-тексте. Для запуска требуется CUDA GPU, зависимости Flash Linear Attention и Flash Attention, а также загрузка кода модели из репозитория с trust_remote_code=True. Модель распространяется по лицензии MIT. Авторы предупреждают, что это небольшая исследовательская модель без дообучения на инструкциях и без настройки безопасности; она может выдавать неверный или оскорбительный текст.

Модель EryriLabs/llama-3.2-uk-legislation-instruct-3b разработана GPT-LABS.AI и представляет собой инструкционно дообученную версию модели EryriLabs/llama-3.2-uk-legislation-3b. Это плотная трансформерная языковая модель семейства Llama с 3,2 млрд параметров, предназначенная для ответов на вопросы по законодательству Великобритании. Репозиторий содержит веса в формате safetensors; заявленная длина контекста — 131 072 токена. Модель рассчитана на англоязычные вопросы и ответы о британском законодательстве, а также на разработку и исследование доменных языковых приложений. Она может генерировать общие или неуместные ответы, а точность и актуальность правовых сведений ограничены; результаты требуют проверки, и модель не подходит для решений с высокими ставками без тщательной оценки. Метаданные указывают лицензию CC BY-NC 4.0.

Loom Weave 2 Flash — компактная языковая модель Textile Labs с архитектурой Llama и 19,9 млн параметров. Она обучена с нуля на обычном процессоре; это не дообучение готовой модели. Контекст составляет 512 токенов, доступны веса в Safetensors и GGUF F16. Модель рассчитана на короткий диалог, соблюдение инструкций и работу со сценарием, в котором внешний инструмент выполняет поиск, а модель формирует запрос и отвечает с учётом результата. В карточке описаны эксперименты с калибровкой ответов, чтением найденных материалов и использованием инструментов. По сравнению с часовым вариантом Loom Spark 2 эта версия обучалась два часа и показала улучшение по нескольким указанным метрикам. Модель почти не обладает общими знаниями и при включённых инструментах может отправлять на поиск даже вопросы о собственной идентичности. Известное ограничение — модель не умеет надёжно определять, что в предоставленном результате ответа нет, и может уверенно отвечать на основе неподтверждённой информации. Результаты поиска следует проверять, а краткие ответы модели на них считать ненадёжными. Лицензия модели — MIT; для обучающих данных карточка указывает отдельные лицензии, некоторые из которых требуют атрибуции.

Диалоговая языковая модель dzakk, дообученная на базе dzakk/qwen2.5-0.5b-pgabl-legal-sft-dzakwan. Она предназначена для генерации ответов в юридических диалогах; базовая модель описана как ориентированная на индонезийский язык и работу с правовыми источниками через RAG. Модель построена на плотной архитектуре Qwen2 и содержит 494 млн параметров; максимальная длина контекста — 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.