I.1Поиск и навигация по информации

ContextPilot-E4B — дообученная модель семейства Gemma 4 E4B Instruct, выпущенная Tencent как часть исследовательской системы ContextPilot. Она обучена помогать агентам заранее управлять контекстом в длительных задачах: планировать работу, поддерживать долговременную структурированную память, извлекать нужные сведения и убирать менее полезный контекст, продолжая рассуждать и использовать инструменты. Модель имеет плотную архитектуру Gemma4ForConditionalGeneration и распространяется в формате Safetensors; метаданные классифицируют её для генерации текста и указывают поддержку чата. Модель предназначена для исследований агентных систем, ответов на вопросы по длинному контексту и глубокого поиска. Для управления контекстом ей требуется окружение ContextPilot с определениями инструментов, агентным runtime и конвейером оценки: одной загрузки чекпойнта недостаточно, чтобы выполнять эти операции. В README лицензия не описана, а в метаданных указано только значение «other», поэтому условия использования по доступным сведениям определить нельзя.

SIRIS-Lab разработала эту модель на основе SPECTER2 (allenai/specter2_base) для многометочной классификации научных публикаций по 28 исследовательским панелям ERC. На вход подаются название и аннотация статьи; модель может также работать только с названием или только с аннотацией. Она выдаёт панели с вероятностями, рассчитанными независимо для каждой метки; порог по умолчанию — 0,5 и может настраиваться. Модель подходит для автоматической разметки публикаций и обогащения метаданных в научных репозиториях, базах исследовательских проектов и аналитических системах. В README для тестового набора указаны Micro F1 0,9386 и Micro ROC-AUC 0,9718; на отдельной оценке проектов ERC общая полнота составила 0,77. Модель использует архитектуру BERT, содержит 137,1 млн параметров и обрабатывает до 512 токенов. Лицензия — Apache-2.0. Классификация ограничена укрупнёнными категориями ERC: модель не учитывает явные иерархические связи между панелями, а дисбаланс классов может снижать полноту для редких категорий. Она не предназначена для определения узких специальностей, оценки качества исследований или принятия клинических, юридических и регуляторных решений; предсказания следует использовать как вспомогательные метаданные.

vivekkopthsd/finance-retriever-bge-small — плотный ретривер для поиска финансовых фрагментов по запросам, созданный дообучением BAAI/bge-small-en-v1.5 на парах вопросов и контекстов из SEC 10-K. Модель основана на BERT, содержит около 40 млн параметров и формирует текстовые эмбеддинги; максимальная длина контекста — 512 токенов. Она предназначена для семантического поиска и извлечения релевантных отрывков для RAG-систем по финансовым документам. В описанной проверке на отложенных вопросах к SEC 10-K модель показала Recall@1 0,820 и Recall@5 0,930, выше базовой BGE-модели на том же наборе. Оценка проведена на одном датасете и не подтверждает качество на широком наборе поисковых задач. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

Holo2-4B — мультимодальная модель для управления графическими интерфейсами, разработанная H Company. Она дообучена на базе Qwen/Qwen3-VL-4B-Thinking и предназначена для GUI-агентов, работающих в веб-браузерах, настольных и мобильных средах. Модель анализирует изображения интерфейсов, находит элементы управления и поддерживает многошаговую навигацию и выполнение целевых действий. Обучение включало supervised fine-tuning на данных понимания интерфейсов и предсказания действий, а затем online reinforcement learning. В README приведены результаты на WebVoyager, WebArena, OSWorld, AndroidWorld и наборах для локализации элементов интерфейса. Модель принимает визуальный контекст и текстовые инструкции, а её назначение включает предсказание действий для взаимодействия с интерфейсом. Она распространяется по лицензии Apache 2.0. Показатели бенчмарков не гарантируют аналогичную точность в конкретных приложениях; результаты могут зависеть от среды и сложности задачи.

Huihui-Fara-7B-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре Qwen2.5-VL, созданная на основе microsoft/Fara-7B. Разработчик сообщает, что модель прошла abliteration: обработана текстовая часть, а визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалогов и выполнения задач с визуальным контекстом; базовая Fara-7B управляет браузером по скриншотам и выполняет веб-задачи с помощью вызовов инструментов. В модели 7,1 млрд параметров, контекст — до 128 000 токенов. Она доступна в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Снижение защитных фильтров может приводить к чувствительным, спорным или неподходящим ответам; результаты следует проверять. README не уточняет, сохраняется ли интерфейс вызова инструментов базовой модели в этой версии.

DEk21_hcmute_embedding — вьетнамская модель эмбеддингов на базе Sentence Transformers и RoBERTa, дообученная разработчиками на примерно 100 000 примерах юридических вопросов и соответствующих контекстов. Она предназначена для семантического поиска и retrieval в RAG-системах, особенно по юридическим материалам на вьетнамском языке. Модель преобразует текстовые последовательности в векторы размерности 768, сопоставляемые по косинусному сходству. Обучение с MatryoshkaLoss позволяет укорачивать векторы с небольшим снижением качества, чтобы ускорить сравнение; максимальная длина последовательности — 258 токенов по метаданным. Для векторного поиска её можно использовать с Sentence Transformers; репозиторий содержит форматы ONNX и safetensors. В README приведены результаты оценки на задаче поиска по юридическим вопросам, однако они относятся к варианту с сегментацией wseg и указанному набору данных. Лицензия — Apache-2.0.

Jan-v2-VL-high — мультимодальная модель с 8 млрд параметров, разработанная Jan и дообученная на базе Qwen/Qwen3-VL-8B-Thinking. Вариант high рассчитан на более глубокие рассуждения и предназначен для многошагового выполнения задач в браузерах и настольных приложениях: модель интерпретирует скриншоты, следует сложным инструкциям, сохраняет промежуточное состояние и восстанавливается после небольших ошибок. Вызовы инструментов позволяют использовать её в агентных сценариях управления интерфейсом. Модель сохраняет результаты базовой модели на стандартных текстовых и визуальных задачах и, согласно карточке, улучшает выполнение длинных цепочек действий на бенчмарке The Illusion of Diminishing Returns. Она принимает текст и изображения и выдаёт текст; в карточке указана английская локализация. Для использования доступны интеграция с Jan App и запуск через vLLM. Лицензия — Apache-2.0.

KAgentLMs — серия языковых моделей с агентными возможностями, разработанная KwaiKEG из Kuaishou Technology. Эта версия содержит 13,3 млрд параметров и построена на плотной архитектуре Baichuan2; в карточке указан базовый репозиторий baichuan-inc/Baichuan2-13B-Base. Модель предназначена для генерации текста и задач, связанных с планированием, рефлексией и использованием инструментов агентом. Модель дообучена методом Meta-agent tuning на инструкционных данных KAgentInstruct. В README также упоминается KAgentBench — набор более чем из 3 000 размеченных примеров для оценки планирования, использования инструментов, рефлексии, подведения итогов и профилирования. Заявлены английский и китайский языки. Для развёртывания авторы описывают использование vLLM и FastChat; лицензия — CC BY-NC-ND 4.0, предусматривающая ограничения на коммерческое использование и распространение производных материалов.

woong0322 разработал Ko-Legal-SBERT — модель эмбеддингов предложений на базе jhgan/ko-sbert-nli, дообученную для корейских юридических текстов. Она кодирует текст в векторы размерности 768 и предназначена для оценки семантического сходства между запросами и правовыми документами. Модель построена на архитектуре BERT и использует библиотеку SentenceTransformers; размер составляет 137,8 млн параметров, максимальная длина последовательности — 512 токенов. Модель обучена с Triplet Loss и подбором сложных отрицательных примеров на 35 104 триплетах, составленных по данным судебных решений и законодательства Кореи. Её можно применять для семантического поиска прецедентов и норм права, подбора похожих дел и сравнения договорных положений. В README приведены метрики сходства для юридических текстов, но независимая оценка качества не описана. Модель рассчитана на корейский язык и юридическую область. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование с соблюдением условий лицензии.

laya-ara — дообученная Mohammad Alkhenizan модель ConvAI Laya для арабских задач понимания текста и принятия решений по заданным вариантам ответа. Она основана на convaiinnovations/laya-multilingual и использует архитектуру ModernBERT с плотными весами; размер модели — 306,9 млн параметров, контекст — до 8192 токенов. Это не генеративная языковая модель: она выбирает ответ, оценивает бинарное следование выводу и при необходимости выдаёт порядковую оценку. Модель предназначена для классификации намерений и сценариев, вывода по естественному языку и ранжирования небольшого списка кандидатов на арабском языке. В карточке приведены результаты на MASSIVE-ar, OSACT4-A и арабской части XNLI; также сообщается об улучшении выбора предложений в TyDiQA-ar и ранжирования коротких списков по сравнению с базовой моделью. Результаты зависят от задачи: например, XNLI уступает типичным дообученным AraBERT, а на некоторых задачах определения токсичности качество ниже базовой модели. Для запуска карточка рекомендует библиотеку Laya. Модель выпущена под лицензией с ограничением использования в исследованиях и некоммерческих целях из-за включения данных XNLI с лицензией CC BY-NC 4.0. У неё нет головы для токенной разметки NER или извлечения фрагментов текста; оценку распознавания оскорбительной речи нельзя считать гарантией для модерации. Разнообразие арабских диалектов исследовано ограниченно.

skeskinen/llama-lite-134m — компактная плотная авторегрессионная модель семейства Llama, разработанная skeskinen. В README указано, что версия с шириной 768 и примерно 134 млн параметров предназначена для создания эмбеддингов предложений; в метаданных указано 109,5 млн параметров и контекст 2048 токенов. Модель обучена на датасете Alpaca. Модель можно применять для получения векторных представлений предложений в задачах поиска и сравнения текстов. При этом в метаданных Hugging Face основная задача обозначена как генерация текста, а README не приводит способ извлечения эмбеддингов или результаты оценки качества. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

MedEmbed-small-v0.1 — компактная модель эмбеддингов, разработанная для медицинских и клинических текстов. Это дообученная на базе BAAI/bge-small-en-v1.5 англоязычная BERT-модель примерно на 40 млн параметров; она формирует плотные текстовые представления для информационного поиска и сравнения предложений. Максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска по медицинской литературе и клиническим материалам, поиска ответов на медицинские вопросы и извлечения релевантных документов. Для контрастивного обучения использовались триплеты запросов и ответов, подготовленные на основе клинических заметок PubMed Central с помощью синтетической генерации и сложных отрицательных примеров. В README заявлено преимущество над универсальными эмбеддинг-моделями на медицинских бенчмарках, включая MedicalQARetrieval, NFCorpus, PublicHealthQA и TRECCOVID. Модель выпущена под лицензией Apache-2.0. Она может хуже работать вне медицинской области; результаты не следует считать медицинскими рекомендациями или заменой экспертной оценки. В README не приведены точные численные метрики бенчмарков.

Это модель распознавания именованных сущностей для исторических газет, разработанная проектом Impresso. Она дообучена на основе jhu-clsp/mmBERT-base на наборе impresso-project/ner-augmentation для задачи HIPE-2022 и входит в конвейер Impresso NER. Модель использует архитектуру ModernBERT с 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. Она размечает текст по схеме IOB2, выделяя персон, организации, места, продукты и временные выражения. Поддерживаются французский, немецкий и английский языки; для немецкого в README приведены результаты на тестовом наборе HIPE 2020, включая entity-level F1 0,7950. Модель подходит для извлечения сущностей из исторических газетных текстов. Вес опубликован в формате safetensors; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

openMaMMUT ViT-L/14 — модель семейства MaMMUT, опубликованная LAION и обученная Jenia Jitsev на DataComp-1.4B. Это визуально-языковая модель с архитектурой ViT-L/14 и разрешением изображений 224 пикселя; обучение проводилось на 12,8 млрд примеров. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и подписей к ним, а также генерации описаний изображений. Для ImageNet-1k заявлена точность zero-shot top-1 80,34%; для поиска на MS-COCO — Recall@5 71,19% по изображениям и 85,88% по тексту. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия и текстовые описания. В карточке указана поддержка английского языка; применение для других языков не оценивалось. Доступны веса PyTorch и Safetensors для Transformers; для OpenCLIP требуется специальная ветка с поддержкой MaMMUT. Авторы позиционируют модель как исследовательский артефакт и не рекомендуют развёртывание в конечных продуктах без тщательной проверки на конкретной задаче. Применение для наблюдения и распознавания лиц исключено из области использования. Лицензия — Apache-2.0.

patembed-large — модель Sentence Transformers для получения векторных представлений патентных текстов. Она разработана командой проекта PatenTEB и предназначена для поиска и анализа патентных документов. Модель использует 24-слойную архитектуру BERT, дообученную на патентных корпусах и задачах бенчмарка PatenTEB; размер эмбеддинга составляет 1024, максимальная длина входа — 512 токенов. Метаданные каталога указывают 443,5 млн параметров, а README — 344 млн. Модель рассчитана на англоязычные патенты. Её применяют для поиска патентов и предшествующего уровня техники, сравнения документов по смыслу, классификации и кластеризации патентных текстов, а также анализа технологических направлений. Для оптимальной работы при выводе следует использовать инструкционные промпты, соответствующие задаче. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование с сохранением условий атрибуции и распространения на тех же условиях.

Immerwinter/roberta-wechsel-privacy-policy-content-selling — немецкоязычная модель классификации текста на основе RoBERTa, дообученная на базе benjamin/roberta-base-wechsel-german. Она предназначена для анализа текстов политик конфиденциальности и отнесения фрагментов к категории Content, в том числе к теме Selling; в карточке также перечислены категории Audience, Contact, Control, Deletion, LegalBasis, Policy, Processing, Purpose, Retention, Security/Privacy, Sharing, ThirdParty и UserRights. Модель содержит 151,8 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт метки классификации. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Kiri разработала дообученную модель на архитектуре T5 для ответов на вопросы по текстовому контексту, включая вопросы с учётом предыдущих реплик. При обучении использовались CoQA, SQuAD 2, GoEmotions и CNN/DailyMail; модель содержит 123,8 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текст. В карточке приведены результаты F1 79,5 на dev-наборе SQuAD 2 и F1 70,6 на dev-наборе CoQA. Также заявлены суммаризация и определение эмоций, но эти возможности не оценивались. Модель рассчитана на английский язык. Распространяется под лицензией Apache-2.0.

Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese-i1-GGUF — квантизированная версия модели Taiyi-CLIP-RoBERTa-102M-ViT-L-Chinese, разработанной IDEA-CCNL и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для задач сопоставления изображений и текста и извлечения мультимодальных признаков, включая поиск по изображениям и текстовым описаниям, классификацию по текстовым подсказкам и вычисление сходства между модальностями. По названию и описанию это CLIP-модель с текстовым энкодером на базе RoBERTa и визуальным энкодером ViT-L; заявленный размер текстовой части составляет около 102 миллионов параметров. Основная языковая специализация — китайский язык, однако в метаданных README указан язык en. Размер контекста, точные параметры визуального энкодера, поддерживаемые языки и результаты оценки качества не приведены. Преимущество модели — компактное GGUF-представление с большим выбором уровней квантизации, что позволяет выбирать компромисс между размером, скоростью и качеством, включая рекомендуемые варианты Q4_K_M и Q4_K_S. Ограничения связаны с потерями качества при низкобитной квантизации; некоторые варианты в README прямо отмечены как низкокачественные. Лицензия — Apache-2.0.

TAPAS medium — модель Google на основе BERT для ответов на вопросы по таблицам. Она предобучена на англоязычных данных Википедии, а затем последовательно дообучена на SQA, WikiSQL и WikiTable Questions (WTQ). Модель выделяет подходящие ячейки таблицы и применяет агрегирующую голову для формирования ответа; в варианте по умолчанию индексы позиций сбрасываются в каждой ячейке таблицы. Модель предназначена для ответов на вопросы о содержимом таблиц, включая задачи с числовыми рассуждениями. Она содержит 49,2 млн параметров, принимает вопрос вместе с сериализованной таблицей и поддерживает последовательность длиной до 512 токенов. Доступны форматы PyTorch и TensorFlow. Основной язык — английский. Лицензия — Apache-2.0. Качество зависит от структуры и размера таблицы, а также от формулировки вопроса; модель обучена на англоязычных табличных данных, поэтому её не следует считать универсальной для произвольных языков или задач. README приводит результаты WTQ для крупных и базовых вариантов семейства, но не сообщает отдельную оценку для этой medium-модели.

deepset/tinyroberta-6l-768d — компактная языковая модель на архитектуре RoBERTa, разработанная deepset и полученная дистилляцией roberta-base методом TinyBERT. Модель содержит 95,2 млн параметров, принимает текст и рассчитана на английский язык; при обучении использовались данные The PILE. По карточке Hugging Face, модель предназначена для задачи question answering, а её контекст ограничен 514 токенами. Модель может служить компактной основой для задач обработки текста и дальнейшего дообучения для извлечения ответов из контекста. Она не проходила специализированную дистилляцию под конкретную задачу; deepset указывает на tinyroberta-squad2 как на вариант, уже дообученный для extractive QA. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

Vietnamese_Law_Embedding_finetuned_v3_256dims — модель Sentence Transformers, дообученная namnguyenba2003 на базе AITeamVN/Vietnamese_Embedding для получения плотных эмбеддингов вьетнамских юридических текстов. Она кодирует предложения и абзацы в векторы для семантического поиска, сравнения сходства и ранжирования по смысловой близости. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; размер вектора в README указан как 1024 измерения, а суффикс репозитория и оценка с усечением размерности также указывают на вариант 256 измерений. Максимальная длина последовательности — 8192 токена. README сообщает об обучении на 20 594 парах anchor-positive и приводит метрики поиска для разных размерностей. Модель ориентирована на вьетнамский язык и юридические документы: её можно применять для поиска релевантных правовых фрагментов, подбора похожих положений, поиска перефразирований и кластеризации текстов. Для сравнения векторов используется косинусное сходство. Данные о независимой оценке на широком наборе правовых задач не приведены, поэтому качество для конкретного корпуса следует проверять отдельно. Лицензия — Apache-2.0.

Bubunur/ag-news-classifier — англоязычный классификатор новостных текстов, созданный дообучением DeBERTa-v3-base. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. Она относит новость к одной из трёх категорий: Sports, Business или Sci/Tech. Это вариант AG News без категории World; метки перенумерованы в 0–2. На тестовой выборке из 5 700 примеров AG News без World указаны accuracy 0,9574 и macro F1 0,9573. Модель предназначена для категоризации коротких англоязычных новостных заголовков и описаний. Её качество на социальных сетях, длинных статьях, текстах вне новостной тематики и других языках не проверялось; данные обучения относятся к новостным материалам начала 2000-х. Аудит смещений не проводился. Лицензия — MIT.

Модель Legal BERTimbau разработана в рамках проекта IRIS для семантического поиска по материалам Верховного суда Бразилии Supremo Tribunal de Justiça. Это Sentence-Transformers-модель на базе BERTimbau large, которая преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучена методом TSDAE на юридических предложениях из примерно 30 тысяч документов; в README указано 212 тысяч шагов обучения. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов, размер — 433,2 млн параметров. Модель предназначена для поиска и группировки юридических текстов на португальском языке, в частности документов бразильской судебной практики. Лицензия — MIT. Результаты могут быть ограничены предметной областью и обучающими данными: README описывает настройку для семантического поиска в рамках конкретной юридической системы, а длина контекста ограничена 512 токенами.

hung200504/bert-squadv2 — модель на базе PubMedBERT, дообученная на SQuADv2 для поиска ответов на вопросы в биомедицинских текстах. Она обрабатывает вопросы с ответом и без ответа, поэтому может сообщить, когда в предоставленном контексте нет подходящей информации. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст вопроса и контекста и выделяет ответ в тексте; максимальная длина контекста составляет 512 токенов. Базовая модель предварительно обучена на аннотациях и полных текстах статей PubMed, а дообучение выполнялось на SQuADv2. Модель ориентирована на английский язык и биомедицинскую литературу. Лицензия — MIT.

Deepfake-Detect-Siglip2 — модель классификации изображений, разработанная prithivMLmods и дообученная на базе визуально-языкового энкодера google/siglip2-base-patch16-224. Она использует архитектуру SiglipForImageClassification и относит изображение к одному из двух классов: «Fake» для дипфейка или изменённого изображения и «Real» для подлинного, неизменённого изображения. Модель предназначена для выявления изображений, созданных ИИ или подвергнутых манипуляциям, и может помогать при проверке контента в социальных сетях, журналистских фактчеках и криминалистических исследованиях. Она принимает изображения и выдаёт метку класса; данные карточки не описывают точность на разных типах изображений и способов подделки. Лицензия — Apache-2.0.

Immerwinter/gbert-large-privacy-policy-content-legalbasis — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к категории LegalBasis — правовому основанию обработки данных; README помещает её в набор моделей для анализа содержания таких документов. Модель содержит 434,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Репозиторий включает форматы ONNX и safetensors. Лицензия — Apache-2.0.

Immerwinter/gbert-large-privacy-policy-topic — немецкоязычная модель классификации текста, разработанная на базе deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к темам, связанным с обработкой персональных данных, например к аудитории, удалению данных, правовым основаниям, срокам хранения, безопасности, передаче данных третьим сторонам и правам пользователей. Модель использует архитектуру BERT для классификации последовательностей, имеет 434,5 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецких текстов о конфиденциальности. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Модель может быть полезна для разметки и первичной сортировки разделов политик конфиденциальности; качество за пределами указанных тем и немецкого языка не подтверждено.

Immerwinter/gelectra-large-privacy-policy-content-purpose — дообученная немецкоязычная модель ELECTRA для классификации фрагментов политики конфиденциальности по категориям содержания, включая Purpose (цели обработки), Audience, Contact, Deletion, LegalBasis, Retention, Security/Privacy, Sharing и UserRights. Она предназначена для анализа и разметки текстов политик конфиденциальности; README также упоминает контекст и тему, но не поясняет их формат или способ использования. Модель основана на deepset/gelectra-large, содержит 434,5 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Карточка перечисляет категории разметки, но не сообщает метрики качества и подробности обучения.

Fabiod20/italian-legal-ner — модель распознавания именованных сущностей на основе ELECTRA, дообученная для анализа итальянских гражданских судебных решений Верховного кассационного суда Италии. Она размечает текст токен за токеном и выделяет юридически значимые сущности, включая апелляцию, заявителя и ответчика. Модель обучена на 9 000 решениях за 2016–2021 годы, размеченных с помощью сочетания правил и ручной аннотации; размер составляет 137,1 млн параметров, контекст — до 512 токенов. Поддерживается итальянский язык. Модель подходит для извлечения и структурирования сведений из судебных актов, например для подготовки корпусов документов и поиска сторон или апелляций. В карточке указана доработка модели ELECTRA, но базовый репозиторий не назван. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели janhq/Jan-v2-VL-med на Hugging Face совпадает с карточкой janhq/Jan-v2-VL-high, поэтому описание составлено по ней. Jan-v2-VL-high — мультимодальная модель с 8 млрд параметров, разработанная Jan и дообученная на базе Qwen/Qwen3-VL-8B-Thinking. Вариант high рассчитан на более глубокие рассуждения и предназначен для многошагового выполнения задач в браузерах и настольных приложениях: модель интерпретирует скриншоты, следует сложным инструкциям, сохраняет промежуточное состояние и восстанавливается после небольших ошибок. Вызовы инструментов позволяют использовать её в агентных сценариях управления интерфейсом. Модель сохраняет результаты базовой модели на стандартных текстовых и визуальных задачах и, согласно карточке, улучшает выполнение длинных цепочек действий на бенчмарке The Illusion of Diminishing Returns. Она принимает текст и изображения и выдаёт текст; в карточке указана английская локализация. Для использования доступны интеграция с Jan App и запуск через vLLM. Лицензия — Apache-2.0.