I.1Поиск и навигация по информации

SciLitLLM-7B — языковая модель Uni-SMART для понимания научной литературы. Она создана на основе Qwen2-7B с помощью продолженного предварительного обучения и supervised fine-tuning, чтобы расширить знания модели в научной области и улучшить выполнение инструкций для профильных задач. Архитектура — плотная Qwen2 с 7,1 млрд параметров; модель поддерживает чат и контекст до 131 072 токенов. Модель предназначена для работы с научными текстами и показала улучшение средних результатов на бенчмарках SciAssess и SciRIFF относительно ведущих LLM менее чем с 15 млрд параметров. В карточке не перечислены конкретные поддерживаемые языки и отдельные задачи помимо генерации текста. Лицензия — MIT.

SeaPhi3-medium — языковая модель, разработанная Toti Riccardo и представленная организацией SeacomSrl. Она дообучена на базе unsloth/Phi-3-medium-4k-instruct с использованием датасета SeacomSrl/rag-data, переведённого на итальянский язык, поэтому предназначена прежде всего для работы с италоязычными текстами и задачами, где требуется понимание или генерация ответов на итальянском языке. Из известных характеристик следует, что модель унаследовала архитектуру и контекстное окно базовой Phi-3-medium-4k-instruct, однако точный размер модели, число параметров и поддерживаемые модальности в README не указаны. В опубликованной оценке на итальянских наборах данных она получила среднее значение 62,66; отдельные результаты составили 69,35 на hellaswag_it, 49,1 на arc_it, 69,53 на m_mmlu_it и 0,3913 на m_mmlu_pro_it. Эти показатели дают ориентир для сравнительного анализа, но не описывают качество во всех прикладных сценариях. Модель может быть полезна для италоязычного общения, обработки знаний и задач, связанных с retrieval-augmented generation, на которые указывает использованный датасет. Ограничения включают зависимость от качества и охвата италоязычных данных, а также отсутствие в README подробной информации о фактических возможностях, рекомендуемых ресурсах и ограничениях применения. Модель распространяется по лицензии Apache-2.0.

Карточка модели sensenova/SenseNova-MARS-32B на Hugging Face совпадает с карточкой sensenova/SenseNova-MARS-8B, поэтому описание составлено по ней. SenseNova-MARS-8B — мультимодальная модель для визуального рассуждения и поиска, разработанная SenseNova. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для вопросов по изображениям, требующих поиска внешних знаний и детального анализа. В описанной системе модель взаимодействует с инструментами текстового и визуального поиска, а также обрезки изображений, чтобы решать сложные задачи на визуальное понимание. Модель использует архитектуру Qwen3-VL и принимает текст и изображения, формируя текстовые ответы. В README заявлены обучение с подкреплением и алгоритм BN-GSPO; приведённые результаты относятся преимущественно к версии MARS-32B, поэтому их нельзя напрямую считать оценкой версии 8B. Модель выпущена под лицензией MIT.

Модель Merikatorihuhu/SimCSE-finetuned-vietnamese-legal-documents — Sentence Transformer на основе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base, дообученный на 120 210 парах вьетнамских юридических текстов. Архитектура RoBERTa с mean pooling формирует плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 256 токенов, метаданные каталога указывают контекст 258 токенов. Модель предназначена для поиска юридических документов по смыслу, сравнения сходства предложений и фрагментов, поиска перефразировок, кластеризации и классификации вьетнамских юридических текстов. Она принимает текст и выдаёт эмбеддинги, пригодные для семантического поиска и ранжирования по сходству. В метаданных указаны библиотека sentence-transformers и формат safetensors. Лицензия в предоставленных данных отсутствует.

Recorded Future совместно с AI Sweden разработали шведскую модель распознавания именованных сущностей на базе KB/bert-base-swedish-cased, дообученной на текстах из интернет-источников и форумов. Это BERT для токенной классификации с 151,9 млн параметров и контекстом до 512 токенов. Модель выделяет в шведском тексте местоположения, организации, персон, национальности, религии и титулы. На тестовых данных из той же предметной области общий F1 составил 0,92; для неродного шведского текста качество не определено, такие входы считаются вне домена. Для работы нужны Transformers версии 4.3.3 или новее и Torch 1.8.0 или новее. Лицензия — MIT.

TAACOSimilarity — корейская модель на базе Sentence-Transformers, созданная автором репозитория для измерения семантической связности между предложениями в разрабатываемом инструменте K-TAACO. Модель обучена на наборе KLUE STS и дополнительных данных NLI-STS; в карточке также указано, что планировалось дальнейшее обучение на других данных о сходстве предложений. Модель кодирует предложения в векторы для сравнения их семантического сходства. Её можно применять для оценки близости пары предложений и анализа связности текста. Архитектура — BERT, 137,8 млн параметров; доступны веса PyTorch, максимальная длина контекста — 512 токенов. Основной язык — корейский. Для использования требуется библиотека Sentence-Transformers. В README не указаны лицензия и результаты численной оценки качества, поэтому условия распространения и точность на конкретных данных следует проверять отдельно.

vietnamese-sbert-base-law — модель Sentence Transformer, дообученная разработчиками hivetechVN на базе keepitreal/vietnamese-sbert для работы с вьетнамскими текстами правовой тематики. Архитектура RoBERTa преобразует предложения и абзацы в плотные векторы размерности 768; для сходства используется косинусная мера. Максимальная длина последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения правовых текстов, поиска перефразировок, кластеризации и классификации. В README приведена оценка на наборе для информационного поиска: точность по cosine_accuracy@1 составляет 0,3871, по @3 — 0,4839, по @5 — 0,5548. Обучение описано на 1 391 примере с использованием MultipleNegativesRankingLoss. Модель поддерживает вьетнамский язык и распространяется по лицензии Apache-2.0. Это эмбеддинговая модель: она возвращает векторы, а не готовые ответы или юридические заключения; качество зависит от соответствия запросов и корпуса обучающим данным.

Davlan/xlm-roberta-large-masakhaner — модель распознавания именованных сущностей, созданная на основе XLM-RoBERTa large и дообученная на наборах данных MasakhaNER. Она размечает в тексте даты и время, местоположения, организации и имена людей; рассчитана на извлечение сущностей из новостных текстов на африканских языках. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и поддерживает контекст до 514 токенов. В карточке перечислены амхарский, хауса, игбо, киньяруанда, луганда, луо, нигерийский пиджин, суахили, волоф и йоруба; результаты оценки приведены для всех десяти языков. Модель подходит для извлечения сущностей из новостей на этих языках, но обучение на размеченных новостных статьях ограниченного периода может ухудшить качество в других жанрах и предметных областях. Сведения о лицензии в предоставленных данных отсутствуют.

44b-reranker — переранжировщик на 149,6 млн параметров, разработанный NYSgpt на базе Alibaba-NLP/gte-reranker-modernbert-base. Это cross-encoder на архитектуре ModernBERT, дообученный на парах «рецензия → научная статья»: запросы составлены экспертами-рецензентами, а релевантной считается статья, к которой относится рецензия. Модель предназначена для второго этапа поиска: она оценивает пары запрос–документ и переупорядочивает уже отобранные кандидаты. По описанной оценке на 3 157 запросах и наборах из девяти статей модель достигла Precision@1 92,9% и MRR 0,956. Этот результат относится к научным статьям по машинному обучению и длинным запросам в стиле экспертной прозы; он не показывает качество поиска по всему корпусу. Контекст дообучения ограничен 512 токенами, а задержка измерена только на A10G при пакетной обработке. Лицензия — Apache-2.0.

ALIA MrBERT Spanish Legal and Administrative Embeddings — модель-биэнкодер группы SINAI Университета Хаэна для семантического поиска и сопоставления испанских юридических и административных текстов. Она дообучена на основе двуязычной энкодерной модели BSC-LT/MrBERT-es с архитектурой ModernBERT и использует mean pooling для получения векторных представлений предложений и документов. Модель содержит около 149,6 млн параметров, принимает текст и поддерживает контекст до 8 192 токенов. При дообучении применялись curriculum learning и отбор сложных негативных примеров. Она предназначена для поиска релевантных документов и оценки семантического сходства в испанской правовой и административной тематике. Это доказательство концепции, поэтому результаты следует проверять по официальным правовым источникам; качество может снижаться на текстах вне целевой области и при состязательных запросах. Лицензия — Apache-2.0.

Gaykar/all-MiniLM-L6-medical-rag — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для семантического поиска по медицинским текстам и формирования контекста для RAG. Модель кодирует предложения и абзацы в плотные векторы размерностью 384; для сравнения используется косинусное сходство. Архитектура включает BERT-энкодер, mean pooling и нормализацию. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога — контекст до 512 токенов. Модель предназначена для поиска релевантных медицинских фрагментов по вопросам, сравнения текстов, поиска перефразировок и кластеризации. Обучающий набор содержит 6 460 пар «вопрос—ответ», связанных с медицинской тематикой, включая опухоли мозга и здоровье человека; заявленные оценки retrieval на отдельном наборе включают cosine accuracy@1 0,823 и @5 0,9171. Язык модели в карточке явно не указан; базовая модель описана каталогом как англоязычная. Лицензия в предоставленных данных не приведена. Модель не предназначена для клинической диагностики и коммерческого распространения согласно README.

CMB-ClimateModernBERT/A_S_F_CX_LRD — англоязычная модель ModernBERT-base, дообученная продолжением предобучения на климатических текстах. Она предназначена для кодирования климатических текстов и последующей тонкой настройки под классификацию, многометочную разметку и поиск по раскрытиям компаний, политическим документам, научной литературе и климатическим новостям. Архитектура — плотный энкодер ModernBERT с 149 млн параметров; модель поддерживает контекст до 8192 токенов и задачу заполнения пропусков. Обучение продолжено на объединённом корпусе объёмом 6,42 млрд токенов: академических публикациях, синтетических текстах и отфильтрованных климатических веб-текстах. В описанной оценке модель набрала в среднем 74,8 F1 по девяти климатическим NLP-бенчмаркам; для общего применения авторы рекомендуют объединённую версию семейства с результатом 76,3 F1. Модель не следует использовать как чат-ассистента или источник гарантированно точных климатических фактов. Лицензия в предоставленных данных не указана.

Это японская модель распознавания именованных сущностей из книги «Введение в большие языковые модели», глава 6. Её разработчики взяли cl-tohoku/bert-base-japanese-v3 и дообучили на наборе llm-book/ner-wikipedia-dataset, добавив CRF-слой к выходному слою BERT. Модель содержит 138,4 млн параметров, работает через Transformers и принимает текстовые фрагменты длиной до 512 токенов. Модель выделяет в японском тексте сущности, например имена людей и географические названия, и возвращает их типы и оценки уверенности. Подходит для извлечения сущностей из текстов, подобных статьям Википедии. Лицензия — Apache License 2.0.

ken11/bert-japanese-ner — японская модель для извлечения именованных сущностей, разработанная компанией Stockmark. Она основана на предварительно обученной японской BERT-модели лаборатории Курохаси, Чу и Мураваки Киотского университета и дообучена на наборе ner-wikipedia-dataset от Stockmark. Модель использует архитектуру BERT с классификатором токенов, содержит 435,4 млн параметров и рассчитана на контекст до 512 токенов. Модель размечает японский текст сущностями в формате BILUO с метками из обучающего набора данных. Её можно применять для извлечения имён и других именованных сущностей из текстов на японском языке. Для работы требуется токенизатор исходной японской BERT-модели; он не входит в репозиторий. Лицензия — MIT.

Legal BERTimbau — модель на основе крупной португалоязычной версии BERTimbau, разработанная stjiris в рамках проекта IRIS для семантического поиска решений Верховного суда Португалии. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для поиска семантически близких текстов, сравнения предложений и кластеризации. Модель основана на BERT и дообучалась на юридических текстах, а затем на задачах NLI и семантического сходства с использованием наборов ASSIN, ASSIN2, STS-B Multi-MT для португальского и IRIS STS. Контекст составляет до 512 токенов; поддерживается португальский язык. Лицензия — MIT. Модель подходит для семантического поиска по юридическим документам и сопоставления португальских текстов. Её векторные представления сами по себе не формируют ответы и не заменяют юридическую оценку; качество за пределами португальских юридических и близких задач может быть ограничено.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по документам Верховного суда Бразилии (Supremo Tribunal de Justiça). Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и подходит для семантического поиска, кластеризации и оценки сходства текстов. Модель основана на крупной португальской версии BERTimbau с учётом юридических текстов. Обучение включало TSDAE на юридических предложениях примерно из 30 тысяч документов, а также этапы с NLI, Semantic Textual Similarity и дистилляцией знаний из метаданных. Контекст ограничен 512 токенами. Модель ориентирована на португальский язык; репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. Модель предназначена для поиска и сопоставления юридических текстов, но карточка не сообщает количественных оценок качества или ограничений по применению за пределами описанных сценариев.

bhlim/bge-base-patentmatch — англоязычная Sentence Transformer модель, дообученная разработчиком bhlim на наборе bhlim/patentmatch_for_finetuning для поиска и сопоставления патентных текстов. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT: вектор CLS-токена проходит нормализацию и преобразуется в плотный эмбеддинг размерности 768. Модель принимает текстовые предложения и абзацы длиной до 512 токенов, а сходство векторов можно оценивать косинусной близостью. Обучение с MatryoshkaLoss поддерживает получение эмбеддингов меньшей размерности. Модель предназначена для семантического поиска и сравнения текстов, включая поиск похожих патентных фрагментов; также в карточке указаны кластеризация, поиск перефразирований и использование эмбеддингов для классификации. Репозиторий распространяется в формате safetensors, библиотека — sentence-transformers. Лицензия Apache-2.0. Результаты оценки информационного поиска в карточке приведены для нескольких размерностей эмбеддинга; перед применением в конкретном патентном корпусе качество стоит проверить на целевых данных.

Italian CLIP — модель для сопоставления изображений и текстов на итальянском языке, разработанная командой проекта Contrastive Language-Image Pre-training for the Italian Language. Это двухэнкодерная архитектура VisionTextDualEncoder: текстовый энкодер основан на итальянской BERT от dbmdz, а визуальный — на Vision Transformer от OpenAI. Модель обучали на 1,4 млн примеров из WIT, MSCOCO-IT, Conceptual Captions и La Foto del Giorno; доступны веса PyTorch и Flax. Модель предназначена для получения признаковых представлений изображений и текстов, поиска изображений по итальянским подписям и классификации изображений без дополнительного обучения. В описанной оценке она превзошла multilingual CLIP на поиске по MSCOCO-IT и zero-shot классификации ImageNet с переведёнными метками. Результаты могут зависеть от перевода меток, а использование MSCOCO-IT при обучении могло дать преимущество в оценке поиска. Лицензия репозитория — GPL-3.0.

ContextPilot-14B — дообученная модель Tencent на базе Qwen3-14B, разработанная для исследований проактивного управления контекстом в языковых агентах. Она обучена планировать работу с длительным контекстом, поддерживать структурированную долговременную память, извлекать полезные сведения и освобождать контекст от менее нужной информации, продолжая рассуждать и использовать инструменты. Модель содержит 14 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. Модель предназначена для экспериментов с агентами на длинных задачах, включая ответы на вопросы по длинному контексту и глубокий поиск. Для управления памятью и инструментами одного чекпойнта недостаточно: требуются определения инструментов, среда агента и код из репозитория ContextPilot. Карточка указывает лицензию other, без конкретизации её условий.

JuriFindIT/DAR-legal-it — модель Sentence Transformers, дообученная на наборе JuriFindIT для семантического поиска по итальянским юридическим текстам. Она основана на Snowflake/snowflake-arctic-embed-m-v2.0 и преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Архитектура включает трансформер GTE с усреднением токенов и нормализацией; модель содержит 305,3 млн параметров и принимает последовательности длиной до 8192 токенов. Модель предназначена для поиска семантически близких документов и фрагментов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В README приведена оценка на валидационной части JuriFindIT: recall@10 по косинусному сходству составляет 0,8037. Модель принимает текст и выдаёт текстовые эмбеддинги; её основным языком является итальянский. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не описана.

DMRetriever-335M — англоязычная модель для создания текстовых эмбеддингов и поиска релевантных текстов в тематике управления чрезвычайными ситуациями. Она обучена по подходу, описанному в работе «DMRetriever: A Family of Models for Improved Text Retrieval in Disaster Management». Модель основана на BERT с плотной архитектурой и предназначена для использования с Transformers. В README указаны размер 335M параметров, контекст до 512 токенов и размер эмбеддинга 1024. Метаданные репозитория указывают 433,9M параметров; доступные сведения расходятся по размеру. Модель принимает текст и выдаёт векторы для поиска и ранжирования релевантных текстов. Лицензия — Apache-2.0.

thivy дообучил модель Sentence Transformer на базе google/embeddinggemma-300m на наборе из 565 173 триплетов с текстами на норвежском языке о здравоохранении. Модель кодирует предложения и абзацы в плотные векторы размерности 768 для семантического сравнения и поиска; близость оценивается косинусным сходством. Она подходит для поиска медицинских сведений в текстах, подбора похожих фрагментов и группировки документов. Максимальная длина входа — 2048 токенов; архитектура относится к Gemma 3 Text, веса доступны в формате safetensors. В README приведены высокие результаты на тесте TripletEvaluator и метрики поиска на dev-наборах, однако эти оценки не гарантируют качество на других данных. Для запуска предусмотрена библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Narrativaai/fake-news-detection-spanish — это дообученная модель RoBERTa-large-bne для классификации испаноязычных новостных текстов на настоящие и фальшивые. Она предназначена для предварительной проверки новостей и фильтрации потенциально вводящей в заблуждение информации. Модель принимает текст и возвращает метку класса; в оценке на тестовой выборке FakeDeS указаны F1 0,7717 и точность 0,7797. Обучение проводилось на испанском корпусе FakeDeS из 971 новостной публикации, собранной в 2018 году; тексты написаны на мексиканском варианте испанского. Архитектура — RoBERTa для классификации последовательностей, размер — около 454,1 млн параметров, контекст — до 514 токенов. Модель ограничена тематикой, источниками и временным периодом небольшого обучающего корпуса: результаты на других вариантах испанского языка и современных новостях могут отличаться. Это инструмент для оценки текстовых признаков, а не самостоятельное подтверждение достоверности новости. Условия лицензии в доступных данных не приведены.

ritam-m/finbert-company-ner — модель распознавания именованных сущностей, разработанная на основе ProsusAI/finbert и дообученная для поиска названий компаний в финансовых новостях. Она классифицирует токены с использованием разметки IOB: O, B-COMPANY и I-COMPANY. Модель предназначена для извлечения упоминаний компаний из англоязычных финансовых статей. Она обучалась на новостях из Индии, но, по данным карточки, применима и к более широкому корпусу финансовых текстов на английском языке. Приоритет — высокий охват упоминаний: на тестовой выборке из 167 статей полнота на уровне токенов составила 0,88, а F1 для сущностей — 0,49. Модель использует архитектуру BERT, содержит 136,7 млн параметров и имеет контекст длиной до 512 токенов. Лицензия — MIT. Разметка обучающего набора основана на тегах MarketAux и не проверялась вручную; качество может снижаться на новостях других рынков, а высокая полнота сопровождается ложными срабатываниями.

HuggingFaceTB/finemath-classifier — классификатор математических рассуждений и дедукции в веб-страницах, разработанный Hugging Face для отбора и курирования математических материалов из веб-данных. Модель дообучена на intfloat/multilingual-e5-small: к энкодеру BERT добавлена регрессионная классификационная голова, а параметры энкодера и эмбеддингов во время обучения были заморожены. Она оценивает полезность страницы для изучения математики по шкале от 0 до 5; порог 3 позволяет преобразовать оценку в бинарную классификацию. Модель обучалась на 1 млн примеров, размеченных Llama 3, и применялась при создании датасета FineMath. В описанной оценке бинарной классификации F1 составил 87%. Модель принимает текст, поддерживает контекст до 512 токенов и имеет 124,3 млн параметров. Лицензия — MIT.

Bofandra/fine-tuning-use-cmlm-multilingual-quran-translation — модель Sentence Transformers, созданная дообучением Bofandra/fine-tuning-use-cmlm-multilingual-quran. Она кодирует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают 498,1 млн параметров, формат safetensors и контекст до 512 токенов. Обучение описано на 6 225 парах предложений с MegaBatchMarginLoss; примеры связывают арабский текст Корана с английским переводом. Для сравнения векторов модель использует косинусное сходство. Лицензия в предоставленных данных не указана.

FinSight NER — модель распознавания именованных сущностей в финансовых новостях, разработанная в рамках проекта FinSight. Это дообученная версия BERT base uncased с 136,7 млн параметров, обученная на вручную размеченном наборе FiNER-ORD. Модель принимает текст и размечает имена людей (PER), организации (ORG) и географические названия (LOC) в формате BIO; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения участников и мест из финансовых новостей и повествовательных разделов документов SEC. На тестовой выборке показатель micro F1 составил 0,8159 при строгом сопоставлении сущностей. Лучше всего модель распознаёт имена людей; качество ниже для организаций и географических названий. Модель рассчитана на хорошо сформулированный текст с обычной капитализацией. Она не размечает суммы, проценты и даты, а также не настроена на структурированный юридический и договорный текст; заголовки прописными буквами и текст в нижнем регистре могут ухудшать качество. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

KURE-legal-ft-v1 — модель текстовых эмбеддингов на базе Sentence Transformers, разработанная для поиска юридических документов в RAG-системе консультационного помощника. Её создала команда проекта «AI Assistant-Based Legal Consultation Community» из Национального университета Кымо в Корее; модель дообучена на nlpai-lab/KURE-v1 на корейских юридических текстах, включая вопросы и ответы и данные о судебных делах из набора AI Hub. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура XLM-RoBERTa использует пулинг CLS и нормализацию; максимальная длина последовательности — 8192 токена, сходство можно оценивать косинусной мерой. В описанной оценке на AI_HUB_legal_QA_data указана точность cosine_accuracy@5 0,9336. Модель ориентирована на корейские юридические документы и запросы. Она выдаёт векторы, а не готовые юридические ответы, поэтому для консультационного сценария её следует использовать как компонент поиска в RAG-системе. Лицензия в предоставленных сведениях не указана.

rufimelo/Legal-BERTimbau-sts-base — модель на архитектуре BERT, разработанная для семантического сравнения португалоязычных юридических текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, пригодные для поиска семантически близких фрагментов и кластеризации. Модель основана на Legal-BERTimbau-large, созданной на базе BERTimbau base, и дообучена для задачи Semantic Textual Similarity на датасетах ASSIN и ASSIN2. В метаданных указаны 136,1 млн параметров и контекст длиной до 512 токенов; поддерживаются форматы PyTorch и safetensors. Карточка приводит результаты оценки на португальских наборах STS, включая ASSIN, ASSIN2 и stsb_multi_mt. Модель предназначена для семантического поиска, сопоставления предложений и группировки юридических текстов на португальском языке. Лицензия в предоставленных данных не указана.

Lfm2-MaleCNS-Titans-VL-3B-V2-PT — экспериментальная мультимодальная модель на базе LiquidAI/LFM2.5-VL-3B, дообученная автором карточки с MaleCNS-Titans и сохранением VAE-латентных представлений. Она принимает изображения и текст, сохраняя исходные языковую модель, визуальный модуль и проектор; дополнительные механизмы памяти подключены к визуальному входу и нескольким языковым слоям. Модель предназначена для визуальных запросов и задач, где нужно сохранять информацию между фрагментами или сессиями; README также описывает обновление памяти по наблюдениям и загрузку сохранённых данных из архива. Версия PT включает объединённые LoRA-веса и 536 обновлений в рамках двухчасового обучения; автор сообщает о последующих SFT-весах, сохранённых отдельно. Исходная длина контекста оставлена без изменений, а межфрагментная память управляется вызывающей программой и сессией. README указывает на обучение на материалах на традиционном китайском, отдельных математических и визуальных данных; метаданные также отмечают английский язык. Лицензия обозначена как other, конкретные условия следует смотреть в документах репозитория. Точность извлечения новой информации требует проверки на целевых задачах.