I.1Поиск и навигация по информации

pablosi — автор дообученной модели Sentence Transformer на базе littlejohn-ai/bge-m3-spa-law-qa, обученной на наборе boe_sintetic_question_context с испанскими вопросами и контекстами из правовых документов. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска и сравнения текстов; в README также указаны кластеризация, поиск перефразирований и классификация текста как возможные сценарии. Архитектура основана на XLM-RoBERTa с pooling по токену CLS и нормализацией векторов. Максимальная длина входа — 8192 токена; для сопоставления текстов используется косинусное сходство. Модель ориентирована на испанский язык и поиск по правовым материалам. Лицензия — Apache-2.0.

Berk2003/bge-reranker-legal-ft-v4-error-mined-hf — это кросс-энкодерный реранкер для юридических текстов, построенный на XLM-RoBERTa и обученный с помощью библиотеки Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом, чтобы упорядочивать найденные фрагменты по релевантности в семантическом поиске и системах поиска по юридическим материалам. В карточке указаны 988 обучающих примеров и один выходной балл на пару. Модель принимает только текст. В README указан предел последовательности 512 токенов; метаданные каталога приводят native context 8194 токена, поэтому фактический предел для данной конфигурации следует проверять при использовании. Данные примеров содержат вопросы и фрагменты на турецком языке, но это само по себе не подтверждает широкий список поддерживаемых языков. Лицензия в предоставленных данных не указана.

Это компактная модель Sentence Transformers, дообученная Emerick Lafontaine на базе BAAI/bge-small-en-v1.5 для представления текстов в виде плотных эмбеддингов. Она построена на архитектуре BERT с пуллингом CLS и нормализацией векторов; размер модели — около 40 млн параметров, размерность эмбеддинга — 384, максимальная длина последовательности — 512 токенов. Модель рассчитана на англоязычные финансовые вопросы и фрагменты документов: в обучающем наборе из 8 457 пар вопрос–положительный фрагмент использованы примеры из финансовой отчетности и материалы для FinQA и TAT-QA. Эмбеддинги можно применять для семантического поиска релевантных фрагментов, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Для сравнения предусмотрена косинусная близость. Лицензия в предоставленных данных не указана.

Карточка модели crisistransformers/CT-mBERT-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней. CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

datagemma-rag-27b-it-IMat-GGUF — GGUF-квантизированная версия модели google/datagemma-rag-27b-it, разработанной Google. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, связанные с retrieval-augmented generation (RAG). В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Часть вариантов использует IMatrix для более эффективной квантизации; исходный тип данных модели — BF16, квантизация выполнена с помощью llama.cpp. Размер исходной модели — 27B параметров, а размер файлов зависит от варианта квантизации и составляет примерно от 10,45 до 54,46 ГБ. Модель подходит для локального запуска через совместимые инструменты экосистемы llama.cpp, когда требуется снизить требования к памяти за счёт квантизации. Более компактные варианты удобнее для ограниченных ресурсов, но могут сильнее уступать исходной точности; конкретные показатели качества в README не приведены. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности не указаны, поэтому их характеристики нельзя достоверно определить по представленным данным. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии.

Moritz Laurер выпустил эту модель на основе DeBERTa-v3-xsmall от Microsoft для классификации текста без заранее заданного набора меток. Она сопоставляет текст-посылку с гипотезой и определяет, следует ли гипотеза из текста; обучение на бинарном NLI сводит результат к «следует» или «не следует», поэтому модель подходит для zero-shot-классификации, где различать противоречие и нейтральность не требуется. Модель имеет архитектуру DeBERTa-v2 для классификации последовательностей, содержит 77,5 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена на 782 357 парах из MultiNLI, FEVER-NLI, LingNLI и ANLI. Модель можно применять для тематической классификации, если описать каждую категорию гипотезой, а также для проверки следования и классификации утверждений. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель ориентирована на английский язык. На тестовых наборах точность составила 0,925 и 0,922 для двух вариантов MultiNLI, 0,892 для FEVER-NLI, 0,888 для LingNLI и 0,676 для ANLI; результаты зависят от набора и задачи. Возможны смещения, присущие обучающим данным и NLI. Лицензия — MIT.

ai4data разработала DevData Search Granite 97M Multilingual CMNRL — компактную двуязычную модель-биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Модель дообучена на DevDataBench от IBM Granite Embedding 97M Multilingual R2 с функцией потерь CMNRL. При обучении порядок полей переставлялся, а часть полей исключалась, чтобы модель связывала значения с названиями полей, а не с порядком их сериализации. Модель подходит для поиска статистических показателей по описаниям, сопоставления запросов с записями метаданных и ранжирования кандидатов по семантической близости. Она принимает текст и выдаёт векторы эмбеддингов; для использования предусмотрена библиотека Sentence Transformers. Контекстная длина в метаданных — 32 768 токенов, а в карточке обучения указана максимальная длина последовательности 512 токенов. Модель не является готовым поисковым сервисом. Лицензия — Apache 2.0.

ai4data разработала DevData Search Granite 97M multilingual nopermute cmnrl — биэнкодерную модель эмбеддингов для поиска по структурированным статистическим метаданным. Это дообучение ibm-granite/granite-embedding-97m-multilingual-r2 на наборе DevDataBench; модель предназначена для построения векторов запросов и записей метаданных и последующего поиска по сходству, а не является готовым поисковым сервисом. Модель построена на архитектуре ModernBERT, содержит 97,4 млн параметров и поддерживает контекст до 32 768 токенов по метаданным. В README указана максимальная длина последовательности 512 токенов и отсутствие префиксов запросов и документов. Многоязычная базовая модель рассчитана на сопоставление текстовых запросов и метаданных; особенность этого варианта — обучение на полных схемах с перестановкой порядка полей и их выпадением, чтобы представление меньше зависело от порядка сериализации. Однако в настройках именно этого чекпойнта перестановка полей отключена, а выпадение полей равно нулю. Модель распространяется по лицензии Apache-2.0.

EMBO/dot_only — модель векторных представлений из проекта SODA-VEC, разработанная для научных текстов в биомедицине и науках о жизни. Она дообучена на базе answerdotai/ModernBERT-base с контрастивным обучением и функцией потерь на основе скалярного произведения; архитектура ModernBERT-base включает 12 слоёв и 149 млн параметров. Модель принимает текст и формирует 768-мерные L2-нормализованные эмбеддинги с mean pooling. Её можно применять для семантического поиска научных публикаций и сравнения смысловой близости текстов. Обучение проводилось на 26,473,900 парах заголовков и аннотаций из PubMed Central, поэтому модель лучше подходит для английских биомедицинских заголовков и аннотаций, чем для текстов общей тематики. Контекст модели — до 8192 токенов, однако для длинных документов может потребоваться разбиение на фрагменты. Модель распространяется по лицензии Apache-2.0.

DynamicRAG-7B — англоязычная модель на основе Llama 2, выпущенная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополненным поиском (RAG). Она адаптирует порядок и количество найденных документов для каждого запроса, используя обратную связь от языковой модели. Обучение включает поведенческое клонирование экспертных траекторий и оптимизацию с подкреплением по обратной связи LLM. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; опубликована в формате safetensors и рассчитана на английский язык. В проекте её применяют для переупорядочивания и отбора найденных документов, чтобы улучшить ответы RAG-систем. Карточка описывает исследовательские эксперименты и оценивание на нескольких бенчмарках; для обучения авторы указывают требование не менее восьми GPU A100-80G. Лицензия — Apache 2.0.

OlegChausov/eventpulse-bge-m3 — дообученная модель на базе BAAI/bge-m3, созданная для EventPulse_3.0, приложения поиска и агрегации событий. Она преобразует поисковые запросы и названия событий в векторы, чтобы находить семантически подходящие афиши концертов, фильмов и театральных постановок. Модель рассчитана на сопоставление коротких запросов с названиями событий и учитывает опечатки, транслитерацию, сокращения, неполные названия и совпадения между языками. Архитектура — XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 8194 токена. Обучение выполнено на примерно 7400 триплетах запросов и названий с использованием MultipleNegativesRankingLoss, в течение одной эпохи. Поддерживаются английский, русский, литовский и польский языки, включая смешанные запросы. Модель предназначена для получения эмбеддингов и поиска по косинусному сходству; лицензия в предоставленных данных не определена.

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors. Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

GeoLM — языковая модель на основе BERT для геопространственного понимания, разработанная авторами GeoLM. Она предварительно обучена на данных OpenStreetMap, WikiData и Wikipedia, а затем дообучена на GeoWebNews для распознавания топонимов в предложениях. Модель принимает английский текст и выделяет в нём названия мест; она предназначена, например, для извлечения географических упоминаний из новостных текстов. Размер модели — 135,5 млн параметров, контекст — до 512 токенов. Карточка не приводит метрик качества и описывает ограничения, связанные с возможными стереотипными или вредными смещениями языковых моделей. Лицензия CC BY-NC 2.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

Immerwinter/google-bert-privacy-policy-content-contact — немецкоязычная модель классификации текста, созданная на основе google-bert/bert-base-german-cased. По карточке она предназначена для анализа политик конфиденциальности и отнесения текста к темам, включая сведения о контактах; перечислены также аудитория, контроль, удаление данных, правовое основание, обработка, цели, хранение, безопасность и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецкоязычных текстов. Доступны форматы Safetensors и ONNX. Лицензия — Apache-2.0. Карточка содержит заголовок «English version», однако метаданные указывают немецкий язык модели, поэтому поддержку английского по имеющимся данным подтвердить нельзя.

cfokmu/klue-roberta-base-klue-sts — модель эмбеддингов предложений на базе RoBERTa, опубликованная сообществом cfokmu. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель использует архитектуру RoBERTa с 137,8 млн параметров; для вычисления эмбеддингов применяется pooling поверх контекстных представлений токенов. Максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Карточка указывает обучение с CosineSimilarityLoss; данные подтверждают назначение для KLUE/ST​S, поэтому основным языком является корейский. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Knesset-multi-e5-large — модель эмбеддингов на базе intfloat/multilingual-e5-large, дообученная на данных Кнессета для работы с законодательной и парламентской лексикой. Разработчики представляют её как модель Sentence-Transformers: кодировщик XLM-RoBERTa-large преобразует предложения и абзацы в плотные векторы размерности 1024. Веса опубликованы в формате safetensors; число параметров — 658,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения и кластеризации текстов, особенно парламентских и законодательных материалов. Она поддерживает иврит; карточка также связывает базовую модель с многоязычной обработкой, но у этой версии явно отмечен иврит. Лицензия в предоставленных данных не указана.

KarBik/legal-french-matroshka — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-base для работы с французскими юридическими текстами. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; сходство оценивается косинусной мерой. Модель построена на XLM-RoBERTa с усреднением токенных представлений и поддерживает последовательности до 512 токенов. Модель предназначена для семантического поиска и сопоставления фрагментов юридических документов, а также для поиска перефразировок, кластеризации и классификации текстов. Обучение проведено на 9 000 пар anchor-positive; Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. В README приведены оценки поиска для этих размерностей, но не описаны тестовый набор и его связь с юридическими сценариями. Модель принимает текст и выдаёт векторы эмбеддингов, а не готовые ответы или юридические заключения. В метаданных указана лицензия? Нет, сведения о лицензии отсутствуют в предоставленных данных.

Apollo Raines представил вариант Llama-3.1-8B-Instruct, обработанный инструментом jBlaze для изменения поведения непосредственно в весах без дополнительного обучения. Модель сохраняет диалоговую генерацию текста, но настроена отвечать короче и точнее опираться на предоставленный контекст. Модель подходит для диалоговых помощников, кратких ответов на вопросы и работы с ответами, основанными на справочных материалах. Это плотная архитектура LlamaForCausalLM с 7,5 млрд параметров по метаданным и контекстом до 131 072 токенов; карточка указывает точность bf16. Основной язык карточки — английский. Разработчик характеризует релиз как демонстрационную версию с намеренно сниженной силой возможностей; независимые оценки качества не приведены. Лицензия — Llama 3.1.

Patronus-Lynx-8B-Instruct — языковая модель Patronus AI для выявления галлюцинаций в системах генерации с дополнением по поиску (RAG). Она принимает документ, вопрос и ответ и оценивает, подтверждается ли ответ содержимым документа. Модель основана на Llama 3 8B Instruct и дообучена на данных CovidQA, PubmedQA, DROP и RAGTruth, включая разметку, созданную людьми и синтетически. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов по метаданным. Она рассчитана прежде всего на английский язык и использует генерацию текста для выдачи оценки. Patronus AI сообщает об оценивании на HaluBench и перечисленных в карточке наборах данных. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничения на коммерческое применение.

M-BERT Base ViT-B — многоязычная текстовая модель проекта Multilingual-CLIP, основанная на BERT-base-multilingual и настроенная так, чтобы представления текста соответствовали пространству эмбеддингов текстового энкодера CLIP для ViT-B/32. Она предназначена для получения текстовых признаков, которые можно сопоставлять с визуальными представлениями CLIP, например для поиска изображений по запросу на разных языках. По карточке, обучение охватывало 69 языков: использовались пары предложений и переводов, составленные из описаний GCC, MSCOCO и VizWiz. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов; метаданные указывают реализации в PyTorch, TensorFlow и Flax. Для использования вместе с исходным визуальным энкодером CLIP требуются код и дополнительные линейные веса из репозитория Multilingual-CLIP. Карточка отмечает, что качество использованных AWS Translate переводов не оценивалось и может различаться между языками; сведения о лицензии в предоставленных данных отсутствуют.

MetaCLIP B/16 — модель семейства CLIP, разработанная командой MetaCLIP и обученная на 400 миллионах примеров CommonCrawl. Вариант base использует разрешение патчей 16; веса доступны в формате PyTorch. Модель сопоставляет изображения и текст в общем пространстве представлений. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Модель ориентирована на исследование связи между подбором обучающих данных и качеством CLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

MediaCatch/mmBERT-base-scandi-ner-gold — мультиязычная модель распознавания именованных сущностей, разработанная MediaCatch. Она дообучена для классификации токенов на объединённых корпусах датского, шведского, норвежского и английского языков и размечает имена людей (PER), организации (ORG) и географические названия (LOC) в формате BIO. Модель построена на архитектуре ModernBERT, содержит 306,9 млн параметров и поддерживает контекст до 8192 токенов. Модель подходит для извлечения сущностей из новостных и энциклопедических текстов, в том числе при пакетной обработке документов. На отложенном тестовом наборе в карточке указаны F1 0,833, точность 0,8455 и полнота 0,8208. Лицензия — MIT. Качество может снижаться на текстах из других предметных областей и при смешении языков в одном предложении. Модель распознаёт только PER, ORG и LOC; она не предназначена для поиска дат, сущностей типа MISC и других категорий. Для корректного вывода необходимо учитывать разбиение слов на субтокены.

MyAwesomeModel — модель из репозитория sads1xcz21esa/MyAwesomeModel-TestRepo, опубликованная с использованием библиотеки Transformers и PyTorch. В метаданных Hugging Face она классифицирована как модель для извлечения признаков и имеет теги BERT, feature-extraction и transformers. Лицензия модели — MIT. Извлечённые признаки можно использовать для представления текста в виде векторов и последующей семантической обработки, например поиска похожих текстов, классификации или кластеризации. README также описывает заявленные возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретную архитектуру, размер, поддерживаемые языки или длину контекста. Модель можно использовать на условиях лицензии MIT. Перед применением в продуктивных сценариях необходимо проверить фактический формат входов и выходов, совместимость с задачей и соответствие заявленных в README возможностей реальной конфигурации модели.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем VioletteHunter на Hugging Face и предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. Метаданные классифицируют её по pipeline-задаче feature-extraction и указывают лицензию MIT. Извлечённые векторные представления можно использовать как входные данные для последующей классификации, поиска похожих текстов, кластеризации и других задач машинного обучения. README дополнительно заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалога и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают размер, контекст, языки или точную архитектуру конкретного репозитория. Модель распространяется по лицензии MIT. Практическое применение следует проверять на целевых данных, поскольку README содержит общие заявления о результатах и не приводит воспроизводимых сведений о тестовой конфигурации, датасетах или ограничениях.

MyAwesomeModel — модель из репозитория xcz2czasd2/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из текста; модель помечена как совместимая с PyTorch и связана с архитектурой BERT. Извлечённые векторы можно использовать для последующей классификации текста, семантического поиска, кластеризации, оценки сходства и других задач машинного обучения. README также заявляет о возможностях рассуждения, генерации кода и текста, ответов на вопросы, суммаризации, перевода и function calling, однако эти сведения не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются точными техническими характеристиками модели. В карточке отсутствуют подтверждённые сведения о размере модели, языках, длине контекста, разработчике и точной конфигурации архитектуры. Перед использованием в продуктивных системах следует проверить фактический формат выходов, качество на целевых данных и соответствие заявленных возможностей реальной конфигурации.

Модель r1char9/ner-rubert-tiny-news — русскоязычная модель для распознавания именованных сущностей в новостных текстах. Она помечает в тексте имена людей, организации и географические названия; карточка также упоминает ещё два типа сущностей, но их названия в доступном фрагменте таблицы отсутствуют. Модель основана на BERT и дообучена на cointegrated/rubert-tiny2. Она содержит 29 млн параметров, принимает текст с контекстом до 2048 токенов и опубликована в формате PyTorch. Лицензия — MIT.

Nougat base — модель для преобразования страниц научных PDF в текст Markdown по их изображениям. Она разработана командой Nougat и впервые опубликована в репозитории facebook/nougat-base; модель соответствует версии 0.1.0-base и описана в статье «Nougat: Neural Optical Understanding for Academic Documents». Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер mBART; модель авторегрессионно генерирует Markdown по пикселям страницы. Модель предназначена для транскрибирования научных документов, в том числе извлечения их содержимого в структурированный Markdown. В метаданных указаны форматы PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Результаты могут быть неточными: модель транскрибирует содержимое по изображению страницы, поэтому качество зависит от читаемости и представления документа. README не приводит количественных оценок качества или явного списка поддерживаемых языков.

Phi-3-mini-128k-instruct-graph — языковая модель, разработанная Emergent Methods и дообученная на базе microsoft/phi-3-mini-128k-instruct. Она предназначена для извлечения сущностей и отношений между ними из произвольного текста и выдачи результата в структурированном формате JSON. Разработчик указывает контекстную версию базы на 128K токенов; модель рассчитана на английский язык. Модель подходит для построения графов знаний из документов и новостных материалов, поиска информации в текстовых базах и анализа меняющихся сюжетов и связей. Карточка приводит сравнительные метрики сходства узлов и рёбер и согласованности JSON, но не гарантирует качество на других наборах данных и предметных областях. Указана лицензия CC BY-NC-SA 4.0, включающая ограничения на коммерческое использование и требование распространять адаптации на тех же условиях.

google/pix2struct-infographics-vqa-large — модель Google семейства Pix2Struct для визуальных вопросов и ответов по инфографике. Это плотная модель архитектуры Pix2StructForConditionalGeneration: визуальный кодировщик преобразует изображение, а текстовый декодер формирует ответ. Pix2Struct предварительно обучалась на парах изображение–текст, в том числе на разборе замаскированных снимков веб-страниц в упрощённый HTML, и рассчитана на адаптацию к задачам понимания визуально представленного языка. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Её можно применять для извлечения сведений из инфографики, чтения подписей и сопоставления визуальных элементов с вопросом. В карточке указана поддержка английского, французского, румынского и немецкого языков; README также описывает широкие области применения семейства, включая документы, иллюстрации, интерфейсы и обычные изображения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Возможные ошибки распознавания мелкого текста, сложных диаграмм и визуально неоднозначных данных следует учитывать при использовании ответов; отдельные показатели качества для этой версии в карточке не приведены.

cnmoro/Qwen2.5-0.5B-Rag-Thinking — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct, разработчик — cnmoro. Она предназначена для ответов на вопросы в базовых системах RAG с использованием рассуждений. Карточка отмечает строгий формат шаблона для работы с моделью. Это плотная причинная языковая модель семейства Qwen2, содержащая 494 млн параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим; максимальная длина контекста — 32 768 токенов. В карточке указан португальский язык. Модель распространяется под лицензией MIT.