I.1Поиск и навигация по информации

Модель abhinav-2k23/RAG-llama-3.1-instruct-SLERP-MERGED — объединение языковых моделей, созданное автором репозитория с помощью mergekit и метода SLERP. В объединение вошли abhinav-2k23/RAG_llama_3_1 и Meta Llama 3.1 8B Instruct; конфигурация использует диапазоны слоёв 0–32 и точность bfloat16. Модель предназначена для генерации текста в диалоговом формате. Её можно применять для ответов на вопросы и работы в сценариях RAG, однако карточка не приводит отдельной оценки этих возможностей. Архитектура — плотная LlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — до 131 072 токенов. Доступны веса в формате safetensors, библиотека Transformers и интерфейс для вызова инструментов. Карточка не указывает поддерживаемые естественные языки и конкретные ограничения качества. Для использования действуют лицензии базовых моделей; сведения о лицензии объединённого репозитория в предоставленных данных отсутствуют.

ReviewMate Rhetorical Sentence Classifier v1 — это модель DistilBERT, разработанная для ReviewMate и дообученная в два этапа на PubMed-RCT и CSAbstruct. Она относит отдельные предложения из аннотаций научных статей к одной из пяти риторических ролей: контекст и мотивация, цель исследования, методы, результаты или выводы. Модель предназначена для извлечения структуры эмпирических научных работ и используется в ReviewMate для поиска и синтеза литературы. Она лучше всего подходит для статей по информатике, ИИ и прикладным STEM-дисциплинам; заявленная точность составляет 0,7517 на CSAbstruct и 0,8833 на PubMed-RCT. Архитектура — DistilBERT для классификации последовательностей, максимальная длина контекста — 512 токенов, основной язык — английский. Классификация выполняется по одному предложению без учета соседнего контекста. Качество может снижаться на теоретических, математических и гуманитарных текстах, а также на неэмпирических работах. Модель распространяется по лицензии Apache-2.0.

rmihaylov/roberta-base-nli-stsb-bg — многоязычная модель на архитектуре XLM-RoBERTa для построения эмбеддингов предложений на болгарском языке. Разработчик обучил её на закрытых параллельных данных на болгарском и английском языках, используя подход Sentence-BERT: переводы одного предложения должны располагаться близко друг к другу в векторном пространстве. Модель чувствительна к регистру. Модель предназначена для оценки сходства предложений и задач, где требуется сопоставлять болгарские тексты по смыслу. Она содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления; максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Обучающие данные закрыты, поэтому состав и охват обучающей выборки нельзя независимо проверить. Карточка описывает создание эмбеддингов болгарских предложений, но не приводит количественных оценок качества.

SA-BERT-V1 — дообученная командой Omartificial-Intelligence-Space модель эмбеддингов предложений для арабского языка, ориентированная на саудовский диалект. Она основана на MARBERTv2 и использует BERT-энкодер с mean pooling: 12 слоёв, размер скрытого состояния и эмбеддинга 768. Модель принимает текст и преобразует предложения в векторы; заявленные сценарии — семантическое сходство, кластеризация, поиск и классификация. Для дообучения использовано более 500 тысяч предложений на саудовском диалекте, включая хиджазский и надждийский варианты. В README приведена оценка на отложенной выборке из 1280 предложений по 44 категориям; она описывает сходство эмбеддингов внутри и между категориями, но не устанавливает качество для всех задач и наборов данных. Контекст составляет 512 токенов. Модель распространяется по лицензии Apache 2.0.

ostoveland/SBertBaseMittanbudver3 — модель Sentence Transformers от ostoveland, дообученная на основе NbAiLab/nb-sbert-base. Она кодирует предложения и абзацы в плотные векторы размерностью 64 и предназначена для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений; используется косинусное сходство. В README указан предел последовательности 75 токенов, а метаданные указывают контекст до 512 токенов. Доступны веса PyTorch и OpenVINO; библиотека для работы — sentence-transformers. Обучающие примеры включают норвежские описания услуг и похожие запросы, поэтому модель особенно подходит для сопоставления коротких норвежских текстов. Лицензия в предоставленных данных не указана.

StructLM-13B — языковая модель TIGER-Lab для задач привязки ответов к структурированным знаниям. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 16 384 токенов; она дообучена на наборе инструкций SKGInstruct, объединяющем 19 задач работы со структурированными знаниями и SlimOrca. Модель принимает текстовые инструкции и линеаризованные структурированные данные, например таблицы, тройки знаний и схемы графов знаний, и генерирует текстовый ответ, соблюдая заданный формат вывода. Модель предназначена для вопросов и рассуждений по табличным данным и графам знаний, проверки фактов, генерации описаний по структурированным данным и преобразования запросов в ответы. В README приведены оценки на наборах ToTTo, GrailQA, CompWebQ, MMQA, Feverous, Spider, TabFact, DART и других. Карточка предупреждает, что модель может уступать по качеству, необходимому для непосредственного применения в чат-ботах и других приложениях. Лицензия — MIT.

efederici/text2tags — модель на базе T5, дообученная на наборе из 28 тысяч новостных статей с тегами. Она генерирует подходящие теги для статьи на итальянском языке; автор также указывает возможность использовать её для информационного поиска и генерации запросов (GenQ), а также для дообучения sentence-transformers под асимметричный семантический поиск. Модель содержит 45,8 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке базовая модель обозначена как it5-small; лицензия и ограничения контекста не приведены. Основное назначение — разметка новостных текстов тематическими тегами, реализованная как суммаризация для генерации тегов.

Davlan/xlm-roberta-base-wikiann-ner — многоязычная модель распознавания именованных сущностей, разработанная Davlan на основе XLM-RoBERTa и дообученная на датасете WikiANN. Модель содержит 305,2 млн параметров, принимает текст и классифицирует токены с контекстом до 514 токенов. Она предназначена для извлечения из текста имён людей (PER), организаций (ORG) и географических объектов (LOC) на 20 языках. Подходит, например, для разметки новостных статей и извлечения сущностей из многоязычных текстовых коллекций. Качество зависит от сходства текста с новостными данными WikiANN: результаты могут хуже переноситься на другие предметные области. Лицензия в предоставленных данных не указана.

Hannibal046/xrag-moe — языковая модель, разработанная Hannibal046 в рамках проекта xRAG. Она предназначена для генерации текста и использования в системах retrieval-augmented generation (RAG), где извлечённый контекст сжимается до одного токена перед передачей языковой модели. В репозитории разработчика модель указана как xRAG-MoE на базе mistralai/Mixtral-8x7B-Instruct-v0.1. Модель относится к архитектуре Mixture-of-Experts (MoE), поддерживает text generation и conversational-сценарии, содержит около 7,1 млрд параметров и имеет нативное контекстное окно 32 768 токенов. В качестве базовых инструментов указаны Transformers и PyTorch; модель можно запускать через Transformers, vLLM и SGLang. Основное преимущество — специализированная работа с RAG и экстремальным сжатием контекста, что может уменьшать объём входных данных при генерации ответов по найденным документам. Модель не является мультимодальной и предназначена для текстовых сценариев. В карточке отсутствуют надёжно указанные языки поддержки, лицензия и подробные сведения о качестве; поэтому эти характеристики нельзя устанавливать по доступным источникам.

nhonhoccode/zalo-legal-bge-m3-finetuned — Sentence Transformer, дообученный для создания эмбеддингов предложений и абзацев. Модель основана на XLM-RoBERTa и содержит 658,7 млн параметров; выходные векторы имеют размерность 1024 и нормализуются. В README указан максимум 384 токена на последовательность, а метаданные каталога сообщают о нативном контексте до 8194 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации текста. Название указывает на юридическое направление и базовую модель BGE-M3, однако карточка не приводит подробностей о языках или конкретных юридических сценариях; языки и область применения поэтому не следует считать подтверждёнными. Обучение описано на наборе из 2638 примеров с парами положительных и отрицательных текстов. Для сходства текстов можно использовать косинусную близость эмбеддингов. Репозиторий содержит веса safetensors и рассчитан на библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

algerian-law-biencoder-v2 — текстовый биэнкодер на базе Sentence Transformers, разработанный для поиска статей Алжирского семейного кодекса по вопросам пользователей. Модель дообучена на 389 парах «вопрос — статья» от 81melody/algerian-law-marbert с помощью MultipleNegativesRankingLoss; в основе архитектуры MARBERTv2 с BERT-энкодером и mean pooling. Она преобразует запросы и статьи в 768-мерные эмбеддинги, которые сравниваются по косинусному сходству. Модель рассчитана на первый этап двухэтапного поиска: вопросы на алжирской дарже, Arabizi, современном стандартном арабском, французском и смешанных языках сопоставляются с релевантными статьями закона. В README приведены результаты на dev-наборе: точность cosine@1 — 0,7045, @3 — 0,8182, @5 — 0,8864. Максимальная длина последовательности в README указана как 256 токенов; метаданные указывают контекст 512 токенов. Лицензия — Apache-2.0. Модель возвращает эмбеддинги для поиска, а не юридические консультации или готовые ответы.

Komail262/arabert-ner-anercorp — модель для распознавания именованных сущностей в арабском тексте. Она дообучена на наборе ANERCorp на базе aubmindlab/bert-base-arabertv02 и использует архитектуру BERT с классификацией токенов; размер составляет 162,4 млн параметров, контекст — до 512 токенов. Модель размечает сущности по схеме BIO: имена людей (PERS), места (LOC), организации (ORG) и прочие сущности (MISC). Она предназначена для извлечения именованных сущностей из новостных текстов на современном стандартном арабском языке. На тестовой части ANERCorp приведены оценки F1 на уровне сущностей: 0,9015 для LOC, 0,8485 для PERS и 0,7083 для ORG. Модель может хуже работать с арабскими диалектами и публикациями в социальных сетях; точность для ORG и MISC ниже, чем для LOC и PERS. Для критически важных сценариев требуется оценка на целевом домене. Лицензия указана как other.

Legal BERTimbau — модель на архитектуре BERT, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она дообучена методом masked language modeling на юридических предложениях из примерно 30 000 документов и основана на BERTimbau large. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024. Её можно применять для семантического поиска и кластеризации юридических текстов; также доступны заполнение пропусков в тексте и получение эмбеддингов. Контекст ограничен 512 токенами, основной язык — португальский. Репозиторий содержит веса PyTorch и Safetensors, объём модели — 433,2 млн параметров. Лицензия — MIT. Описание указывает на обучение и проверку в системе семантического поиска, но не приводит количественных результатов или подробных оценок качества.

Legal BERTimbau — модель Sentence Transformers на базе BERT large, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024, пригодные для поиска похожих текстов, кластеризации и оценки семантического сходства. Модель основана на юридической версии BERTimbau large и обучалась на португальских юридических текстах, а затем проходила многоязычную дистилляцию и дообучение на наборах ASSIN, ASSIN2 и STS-B Multi-MT для португальского. Архитектура BERT имеет 433,2 млн параметров; максимальная длина контекста — 512 токенов. Лицензия — MIT. Модель предназначена прежде всего для семантического поиска по юридическим документам на португальском языке. Она также подходит для кластеризации и сравнения предложений. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты.

Модель stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v1 (Legal BERTimbau) разработана в рамках проекта IRIS для семантического поиска по материалам Верховного суда правосудия Бразилии. Это модель Sentence-Transformers на базе BERTimbau Large: она кодирует предложения и абзацы в плотные векторы размерности 1024, пригодные для поиска по смыслу и кластеризации. Модель обучалась методом TSDAE на юридических предложениях примерно из 30 тысяч документов, а затем дообучалась для семантического сходства текстов на наборах ASSIN, ASSIN2, STS-B Multi-MT для португальского и IRIS STS. Она рассчитана на португальский язык, имеет контекст до 512 токенов и распространяется по лицензии MIT. Для длинных текстов потребуется разбиение на фрагменты; модель предназначена для векторного представления и сравнения текстов, а не для генерации ответов.

aired/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и поддерживает сравнение по косинусному сходству. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; длина последовательности — до 512 токенов. Модель подходит для семантического поиска по финансовым текстам, подбора релевантных фрагментов для RAG, поиска перефразировок, кластеризации, классификации и оценки сходства предложений. Благодаря Matryoshka-обучению эмбеддинги можно сокращать до 512, 256, 128 или 64 измерений с некоторой потерей качества. Выпущена под лицензией Apache-2.0.

raushanta/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на 6 300 парах текстов из набора json для финансовой тематики. Она основана на BAAI/bge-base-en-v1.5 и использует архитектуру BERT с пулингом CLS-токена и нормализацией; преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Контекст ограничен 512 токенами. Модель подходит для семантического поиска и ранжирования финансовых текстов, поиска похожих фрагментов и кластеризации. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, с небольшим снижением показателей поиска по сравнению с полной размерностью. README приводит результаты InformationRetrievalEvaluator на нескольких размерностях, но они не гарантируют качество на других данных. Лицензия — Apache-2.0.

sriram04/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и информационного поиска по финансовым материалам. Модель построена на BERT с CLS-пулингом и нормализацией векторов; для сравнения используется косинусное сходство. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, с некоторым снижением качества поиска. Максимальная длина входа — 512 токенов. По карточке, на приведённых тестах InformationRetrievalEvaluator точность cosine_accuracy@5 составляет 0,86 для 768 измерений и 0,8157 для 64; результаты относятся к указанным в карточке наборам оценки. Модель подходит для поиска связанных финансовых фрагментов, группировки документов и подготовки эмбеддингов для последующей классификации. Она работает с английским текстом; качество на иных языках не заявлено. Распространяется по лицензии Apache-2.0.

TatvaRA/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и ранжирования финансовых фрагментов, поиска похожих формулировок, кластеризации и классификации текста. Обучение на 6 300 парах «запрос — релевантный текст» и Matryoshka-обучение позволяют сокращать размерность векторов до 512, 256, 128 или 64; в карточке приведены результаты поиска для нескольких размерностей. Лицензия — Apache-2.0.

Echo-DSRN-v0.1.3-Embed-Exp — экспериментальная модель эмбеддингов предложений от ethicalabs на архитектуре Echo-DSRN Recurrent-Hybrid. Она предназначена для вычисления векторных представлений и оценки семантического сходства текстов; в карточке приведены результаты на задачах STS из набора MTEB. Модель содержит 98,26 млн параметров по README и 49,9 млн по метаданным, имеет 8 слоёв, скрытую размерность 512, размер эмбеддинга 2048 и контекст до 2048 токенов. Указана линейная сложность по длине последовательности. Модель обучалась на AllNLI и MTEB STS-B, поддерживаемый язык по карточке — английский. В README отмечено, что результаты бенчмарков воспроизводятся при левом заполнении последовательностей; при пакетной обработке это может влиять на согласованность эмбеддингов. Разработчик обозначает модель как экспериментальную и ограничивает её академической оценкой и исследованиями, без гарантий качества и ответственности за результаты применения. Лицензия в предоставленных данных не указана.

howey/electra-large-mnli — англоязычная модель классификации текста на базе архитектуры ELECTRA-Large, опубликованная пользователем howey и предназначенная для задач, связанных с MultiNLI. ELECTRA разработана Google как Transformer-энкодер; данная версия дообучена для классификации отношений между парами текстов, например определения entailment, contradiction и neutral. Модель содержит около 433,9 млн параметров и поддерживает контекст до 512 токенов. Она работает с текстом, использует библиотеку Transformers и доступна через PyTorch. Модель подходит для классификации текстовых пар и zero-shot-подобных сценариев при передаче подходящих гипотез, но не является генеративной моделью и не предназначена для свободного создания текста. В карточке модели лицензия не указана, поэтому условия коммерческого и производного использования следует уточнять у владельца репозитория и в файлах модели.

EmbeddingGemma-300m Legal Spanish — модель Sentence Transformers, созданная дообучением google/embeddinggemma-300m на 300 тысячах пар запросов и релевантных документов из испаноязычного юридического датасета. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель принимает текст, поддерживает испанский язык и обрабатывает последовательности длиной до 2048 токенов. Модель предназначена прежде всего для поиска релевантных юридических документов на испанском языке. В README приведены результаты оценки поиска на двух наборах legal-spanish-eval; такие показатели относятся к указанным тестовым наборам и не гарантируют качество на других данных. Модель выпущена под лицензией Apache-2.0.

gliner2-large-v1-redocred — модель извлечения информации на базе GLiNER2, разработанная whr778 и дообученная от fastino/gliner2-large-v1 на наборе Re-DocRED. Она предназначена для извлечения именованных сущностей и отношений между ними в англоязычных документах; карточка также относит её к задачам извлечения событий и классификации. Набор Re-DocRED содержит 6 типов сущностей и 96 типов отношений. В слепом тесте F1 для сущностей составил 0,860 при строгой и 0,907 при расслабленной оценке; для отношений — 0,287 и 0,350 соответственно. Низкий recall отношений (0,186 строго, 0,227 расслабленно) ограничивает полноту извлечения. Модель работает с текстом и распространяется в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

gte-micro — компактная модель эмбеддингов на архитектуре BERT, разработанная как дистилляция gte-small. Она предназначена для семантического автодополнения: преобразует английский текст в векторы, которые можно использовать для поиска подходящих продолжений или сравнения смысловой близости. Модель содержит 18,8 млн параметров, принимает текстовые входы и рассчитана на контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель подходит для сценариев семантического поиска и ранжирования вариантов автодополнения по смыслу. Лицензия — MIT. Она предназначена только для английского текста; более длинные входы обрезаются до 512 токенов.

HallOumi-8B — языковая модель Oumi AI для проверки утверждений и выявления галлюцинаций, когда доступен источник достоверной информации. Она анализирует утверждения по предложениям, определяет, поддерживаются ли они контекстом, оценивает уверенность и предоставляет связанные предложения из источника вместе с объяснением для проверки человеком. Модель представляет собой плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров, дообученную на основе meta-llama/Llama-3.1-8B-Instruct. Она принимает текст и предназначена прежде всего для английского языка; заявленная длина контекста — 131 072 токена. Модель подходит для проверки сводок, ответов и других текстов по предоставленным документам, помогая находить неподтверждённые утверждения и видеть, на какие фрагменты источника опирается оценка. В карточке заявлен результат Macro F1 77,2% ± 2,2%, однако это утверждение README, а независимая проверка здесь не проводилась. Разработчик предупреждает, что модель меньшего размера имеет ограниченные возможности и рекомендует не использовать её за пределами проверки утверждений; возможны унаследованные от базовой модели предубеждения и риски. Лицензия — CC-BY-NC-4.0, допускающая использование с ограничениями, включая некоммерческий характер.

Holo3.1-35B-A3B-NVFP4 — мультимодальная vision-language модель компании H Company для компьютерных агентов. Она предназначена для взаимодействия с веб-сайтами, настольными и мобильными интерфейсами, включая навигацию, автоматизацию действий, UI grounding, компьютерное управление и выполнение бизнес-сценариев. Модель поддерживает нативный вызов функций для интеграции с агентскими фреймворками и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1, построенному на базе моделей Qwen 3.5; для данного варианта заявлены базовые модели Qwen/Qwen3.6-35B-A3B, Qwen/Qwen3.5-9B, Qwen/Qwen3.5-4B и Qwen/Qwen3.5-0.8B. Размер семейства для старшей версии составляет 35B-A3B параметров, а используемый формат весов — NVFP4 W4A16, полученный с помощью Nvidia Model-Optimizer. В карточке указана поддержка английского языка и сценариев image-text-to-text, однако размер контекста не приведён. Сильные стороны модели — поддержка нескольких сред, включая web, desktop и mobile, возможности компьютерного управления, интеграция через function calling и сниженные требования к локальному запуску благодаря квантованному формату. Ограничения включают отсутствие в карточке подробных количественных результатов тестов, информации о контекстном окне и перечне дополнительных языков; заявленные характеристики не гарантируют одинаковую эффективность во всех интерфейсах и задачах. Модель распространяется по лицензии Apache 2.0.

Это японская модель CLOOB (Contrastive Leave One Out Boost), разработанная компанией rinna Co., Ltd. Она предназначена для извлечения сопоставимых признаковых представлений изображений и текста: модель использует изображенческий энкодер ViT-B/16 и 12-слойный BERT-энкодер текста. В метаданных Hugging Face основная задача указана как feature-extraction; репозиторий содержит веса PyTorch и Safetensors. Модель обучена на CC12M с подписями, переведёнными на японский язык. Её можно применять для построения мультимодальных эмбеддингов, поиска изображений по японскому описанию и сопоставления изображений с текстом. Изображенческий энкодер инициализирован из AugReg vit-base-patch16-224. Для использования требуется совместимый код и зависимости; карточка ссылается на модель japanese-clip как на другие доступные модели семейства. Лицензия — Apache-2.0.

KBevo-Qwen3-4B-GRPO — финальный чекпойнт модели KBevo от Kilian Group, созданный для исследования Co-Evolving Structured Knowledge and Reasoning in Language Models и представленный на COLM 2026. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, дообученная методом GRPO на базе KBevo-Qwen3-4B-SFT; заявленный базовый контекст — 40 960 токенов. Модель рассчитана на двухэтапные задачи: извлечение из набора текстовых фрагментов компактной базы знаний в виде типизированных троек «сущность — отношение — значение», затем ответы на вопросы через типизированный поиск по этой базе. Обучение GRPO оптимизировало совместную политику на сквозном вознаграждении answer-F1 для HotpotQA. Модель предназначена для оценки и воспроизведения подхода KBevo, в том числе на многопереходных вопросах; для полноценного двухэтапного инференса авторы рекомендуют использовать эталонную реализацию KBevo. Карточка приводит результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA, но не сообщает показатели данного чекпойнта во всех строках таблицы. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

jphme/Llama-2-13b-chat-german — немецкоязычная чат-модель на основе Llama 2, разработанной Meta и дообученной автором репозитория для ответов на немецком языке. Она предназначена для диалогов, генерации текста и ответов на вопросы; в карточке приведены примеры общих вопросов и извлечения фактов из переданного контекста, а среди датасетов указаны немецкие наборы SQuAD, включая юридический. Модель использует плотную авторегрессионную архитектуру Transformer LlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекст 4096 токенов. Принимает текст и выдаёт текст; в метаданных отмечены немецкий и английский языки. Для чата следует соблюдать формат инструкций Llama 2. Карточка указывает лицензию Meta с пользовательскими условиями, для получения весов требуется принять лицензию.

MetaCLIP L14-400M — модель семейства CLIP, разработанная командой MetaCLIP и представленная в репозитории facebook. Это крупная версия с разрешением патчей 14, обученная на 400 миллионах примеров CommonCrawl. Модель представлена в формате PyTorch и предназначена для сопоставления изображений и текстов в общем пространстве представлений. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по текстовому запросу и поиска текста по изображению. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. README не приводит конкретных сведений о языках или длине контекста.