I.1Поиск и навигация по информации

JEPA Repo State — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, разработанный PeytonT как компонент Repository Library. Модель формирует представления состояния репозиториев и служит JEPA-подобным экспериментальным компонентом поискового стека для работы с кодом и данными о GitHub-репозиториях. Предназначена для извлечения признаков, поиска и ранжирования репозиториев, а также для маршрутизации и других сценариев в составе Repository Library. Архитектура — плотный BERT-энкодер размером 25,9 млн параметров; контекст — до 512 токенов. Веса представлены в формате safetensors. README сообщает об оценке по recall@10 и ndcg@10, но не приводит числовых результатов. Лицензия в предоставленных данных не указана.

KORPatent-BGE — модель эмбеддингов для поиска и сопоставления корейских патентных текстов, разработанная sttempler на основе BAAI/bge-m3. Модель дообучена методом curriculum triplet learning: пары для обучения формировались по иерархии классификации IPC и ограничениям на пересечение ключевых слов, без псевдооценок сходства от других моделей. После дообучения веса интерполировали с KURE-v1. Модель предназначена для семантического поиска патентов и предшествующего уровня техники, кластеризации и удаления дубликатов, оценки сходства патентных документов и поиска фрагментов для RAG. Она построена на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и принимает текст, выдавая векторы эмбеддингов и оценки сходства. Основной язык — корейский; базовая BGE-M3 поддерживает многоязычный поиск. Длина контекста — 8194 токена. Лицензия — MIT. Модель ориентирована на патентную тематику и может быть полезна для различения близких технических понятий в патентных текстах. Она не предназначена для юридических консультаций, заключений о действительности патента, нарушении прав или толковании объёма патентных требований; для значимых решений требуется экспертная проверка.

LegalEmbed — модель эмбеддингов, дообученная IvanDVonga на корпусе французского права. Она преобразует юридические запросы, ссылки и статьи законов в векторы для семантического поиска и сравнения релевантности. В основе — Sentence Transformers paraphrase-multilingual-mpnet-base-v2 с архитектурой XLM-RoBERTa; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Для запросов рекомендуется префикс «Question juridique : », для статей и документов — «Texte de loi : ». Модель обучалась на примерно 53 тысячах статей французских кодексов с MultipleNegativesRankingLoss. Подходит для поиска правовых норм по вопросу или ссылке, сопоставления юридических документов и построения семантического поиска по корпусам французского законодательства. Модель выдаёт эмбеддинги, а не готовые юридические ответы или заключения; качество для других языков и областей не подтверждено. Распространяется по лицензии CC BY 4.0.

Lugha-Llama-8B-wura — языковая модель семейства Llama, выпущенная авторами Lugha-Llama: Happy Buzaaba, Alexander Wettig, David Ifeoluwa Adelani и Christiane Fellbaum. Это одна из моделей, адаптированных для африканских языков на основе Llama 3.1 8B. В репозитории указаны 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. Модель предназначена для генерации текста на африканских языках, включая ответы на вопросы и кросс-языковой поиск ответов. Авторы сообщают о высоких результатах семейства Lugha-Llama на бенчмарках IrokoBench и AfriQA. Она может быть полезна для диалога, вопросов и ответов, а также генерации текста на языках с ограниченными ресурсами. Модель основана на Llama 3.1 8B; лицензия указана как llama3.1. README не уточняет, какие языки поддерживает именно вариант wura и какие ограничения применимы к его отдельным сценариям, поэтому языковой охват не следует считать исчерпывающе подтверждённым.

Jaywhisker/msc_thesis_nuextract3_stage2_best_food — дообученная версия NuExtract3, созданная для извлечения POI, связанных с едой. Модель предназначена для преобразования входного текста или документов в структурированные данные о таких точках интереса. Обучение проходило в два этапа: сначала на 6092 слабомаркированных примерах, затем на 500 вручную размеченных примерах; лучший результат второго этапа для категории еды был на шаге 500. Модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 и поддерживает контекст до 262144 токенов. В карточке указаны safetensors и лицензия базовой модели NuExtract3 не приведена в предоставленных данных.

MyAwesomeModel — модель из репозитория sdafafw22/MyAwesomeModel-TestRepo, опубликованная в формате Transformers для PyTorch. В метаданных Hugging Face она классифицирована как модель извлечения признаков с тегом BERT и библиотекой transformers. Разработчик или организация, стоящие за моделью, в доступных материалах не названы. README описывает обновлённую версию модели с заявленными улучшениями рассуждений, вывода, математики, программирования, логики, генерации текста, function calling и снижением галлюцинаций. Также заявлены результаты на внутренних или нераскрытых бенчмарках, включая AIME 2025, однако эти сведения не согласуются с метаданными feature-extraction и не сопровождаются достаточными техническими подробностями для независимой проверки. Модель распространяется по лицензии MIT. Доступные материалы не содержат подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках или точной архитектуре за пределами тега BERT, поэтому применять её следует с учётом возможного расхождения между описанием и классификацией на Hugging Face.

Модель Impresso HIPE-2022 NER — дообученная многоязычная BERT-модель для распознавания именованных сущностей в исторических газетных текстах. Её разработали в рамках проекта Impresso и включили в конвейер Impresso NER. Модель основана на dbmdz/bert-base-historic-multilingual-cased и дообучена на наборе impresso-project/ner-augmentation для задачи HIPE-2022. Модель классифицирует токены по схеме IOB2 и выделяет категории персон, организаций, мест, продуктов и времени. Поддерживаются французский, немецкий и английский языки. Архитектура — BERT для классификации токенов; размер составляет 137,8 млн параметров, контекст — до 512 токенов. На тестовом наборе указан F1 0,7410 на уровне сущностей; для мест приведён F1 0,8340, для организаций — 0,4309. Модель предназначена для извлечения сущностей из исторической прессы и исследовательских либо редакционных конвейеров анализа газет. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0. Результаты зависят от языка, качества распознавания текста и соответствия данных историческим текстам и меткам обучения; приведённые метрики показывают более слабое распознавание организаций, чем мест.

Panacea-7B-Chat — языковая модель с диалоговым интерфейсом для задач, связанных с клиническими исследованиями. Она разработана на основе Mistral-7B-v0.1 и дообучена в два этапа: продолженное предобучение на документах о дизайне клинических испытаний и научных публикациях, затем настройка на выполнение инструкций. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для поиска и обобщения клинических исследований, помощи в разработке испытаний и наборе участников. В карточке заявлены обучение на 793 279 документах по дизайну клинических испытаний и 1 113 207 научных статьях о клинических исследованиях, а также более высокие результаты по соответствующим задачам по сравнению с рядом открытых языковых и медицинских моделей. Рабочий язык, указанный в метаданных, — английский. Модель распространяется по лицензии Apache-2.0.

PatentSBERTa_V2 — модель эмбеддингов на базе MPNet, разработанная группой AI: Growth-Lab при Aalborg University Business School для работы с патентными текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска и группировки патентов, а также задач классификации и анализа дистанции между патентами. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. Обучение проводилось с CosineSimilarityLoss. Карточка не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя определить по доступным данным.

remzicam/privacy_intent — модель классификации намерений в текстах политик конфиденциальности, созданная разработчиком remzicam путём дообучения mukund/privbert на наборе данных PolicyIE. Она относит фрагменты политики к пяти категориям: сбор и использование данных, передача и раскрытие данных, хранение и сроки удержания, защита данных и прочие практики конфиденциальности. Модель построена на RoBERTa и содержит 151,8 млн параметров; принимает текст и выдаёт метку класса. Для неё заявлен F1-score 88%; аугментация обратным переводом улучшила результат на несбалансированных примерах. Модель предназначена для разметки и анализа положений политик конфиденциальности на английском языке, например, для поиска упоминаний о передаче данных третьим сторонам или мерах защиты. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с репозиторием модели. Контекст ограничен 514 токенами; заявленные результаты относятся к пяти категориям PolicyIE и не гарантируют качество на других типах документов или языках.

RaDeR_Qwen25_3B_NuminaMath_MATH_allquerytypes — плотный ретривер для поиска документов по математическим запросам, разработанный CIIR при Университете Массачусетса в Амхерсте. Модель дообучена на Qwen/Qwen2.5-3B-Instruct на данных NuminaMath и MATH, подготовленных для retrieval и включающих разные типы запросов. Модель предназначена для построения эмбеддингов запросов и документов и их последующего сопоставления в системах поиска. В карточке сообщается, что ретриверы RaDeR, обученные математическому рассуждению, обобщаются на другие задачи поиска с рассуждениями и показывают результаты выше сильных базовых методов на BRIGHT и RAR-b. Архитектура — плотная Qwen2, размер — 3,1 млрд параметров, контекст — до 32 768 токенов; вход и выход — текст и векторные представления. Указана поддержка английского языка. Для запуска в карточке предлагается vLLM в режиме эмбеддингов с нормализацией векторов. Лицензия — MIT. Модель специализируется на математическом и reasoning-поиске; результаты на иных типах данных могут отличаться.

Модель cjber/reddit-ner-place_names — англоязычная модель распознавания именованных сущностей, разработанная дообучением bert-base-uncased. Она предназначена для извлечения названий мест из текста социальных сетей, включая комментарии Reddit; остальные типы сущностей исключены из разметки. Модель обучена на WNUT 17 и 498 дополнительных комментариях Reddit. Архитектура — BERT для классификации токенов, размер — 136,7 млн параметров, контекст — до 512 токенов. Модель рассчитана на английский текст и может распознавать названия мест с учётом контекста, например отличать упоминание города от названия футбольной команды. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

akdeniz27/roberta-base-cuad — модель RoBERTa Base, дообученная на наборе данных CUAD для ответа на вопросы по договорам. Она предназначена для извлечения ответов на вопросы из текста юридических документов, например поиска конкретных условий и положений в контракте. Модель имеет архитектуру RoBERTa для извлечения фрагментов ответа, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Поддерживаемый язык — английский; веса доступны в форматах PyTorch и Safetensors. README не сообщает лицензию, поэтому условия использования не уточнены.

SecOpsBot-0.6B — дообученная Nuhman PK компактная модель Qwen3 с 507,9 млн параметров для ответов по фрагментам документов о кибербезопасности и мерах контроля. Она составляет сводки, выделяет ключевые факты, чек-листы, шаги жизненного цикла, обоснования и определения, опираясь на переданный отрывок и указывая идентификаторы мер контроля, только если они в нём встречаются. Модель предназначена для работы с материалами NIST и другими стандартами безопасности, в том числе как компонент чтения документов в RAG-системе. Модель принимает текст и генерирует текст; её контекстное окно — 40 960 токенов. В карточке заявлена поддержка английского языка. Модель обучена на 13 106 примерах и оценена на небольшой выборке из 60 примеров, документы которой не входили в обучающую выборку. Автор приводит результаты по ROUGE-L и точности идентификаторов мер контроля, но такая оценка не гарантирует качество на других документах и задачах. Весами управляет лицензия Apache-2.0. Ответы зависят от полноты и качества предоставленного отрывка, а шум при извлечении текста из PDF может влиять на результат. Модель не заменяет официальные рекомендации NIST, работу квалифицированного аудитора или юридическую и комплаенс-консультацию; ответы следует проверять перед использованием.

Это Sentence Transformer архитектуры BERT в варианте bi-encoder, дообученный авторами intai2070 на базе PartAI/Tooka-SBERT-V2-Large для измерения семантического сходства названий компаний, включая юридические и организационные наименования. Каждое название кодируется отдельно в плотный вектор размерности 1024; сходство векторов можно оценивать, например, косинусной мерой. Такая схема подходит для быстрого поиска по большим коллекциям и сопоставления названий без совместной обработки каждой пары текстов. Модель предназначена прежде всего для семантического поиска и сопоставления похожих названий компаний на персидском языке. В README также указаны сценарии поиска перефразировок, кластеризации и классификации текстов. Обучение проводилось на 272 462 примерах датасета IRI2070/legal-names-bi-encoder-dataset с функцией потерь MultipleNegativesRankingLoss. Размер модели — 451,8 млн параметров, максимальная длина входа — 512 токенов. README приводит cosine accuracy 0,9977 на validation и 0,9987 на test для указанного набора данных; эти результаты сами по себе не гарантируют такое же качество на других коллекциях. Лицензия в предоставленных данных не указана.

UnBIAS — модель классификации текстов по степени предвзятости, опубликованная в репозитории newsmediabias/UnBIAS-classifier. Это дообученная для выявления предвзятости модель BERT на 136,7 млн параметров с архитектурой BertForSequenceClassification; базовая модель — bert-base-uncased. Она относит текст к одному из трёх классов: «Highly Biased», «Slightly Biased» или «Neutral». Модель рассчитана на анализ новостных статей и может помогать выявлять предвзятые формулировки в материалах СМИ. Контекст ограничен 512 токенами. В README приведены метрики на валидации, однако там же указано, что их нужно заменить фактическими значениями, поэтому считать их подтверждёнными нельзя. Модель распространяется по лицензии OpenRAIL.

tutran27 разработал sentence-transformers-модель на основе BAAI/bge-m3, дообучив её на парах текстов из вьетнамского правового датасета PhapDien. Модель кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 1024; для сравнения векторов используется косинусное сходство. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. В README указан предел в 768 токенов на последовательность, тогда как метаданные каталога сообщают о контекстном окне базовой модели в 8194 токена. Модель предназначена для семантического поиска и извлечения релевантных правовых положений по запросам, а также для ранжирования текстов по смысловой близости. Обучение на примерах из законодательства Вьетнама делает её подходящей для поиска по документам PhapDien; качество на других корпусах или языках не описано. Лицензия в предоставленных данных не указана.

APUS-OpenJev-v1-9B — дообученная и объединённая BF16-версия Qwen3.5-9B от APUS AI Lab, предназначенная для выбора действий в браузере, маршрутизации рабочих процессов и оценки принципов на естественном языке. Это плотная модель с архитектурой Qwen3.5 и 9 млрд параметров; репозиторий содержит самостоятельные веса checkpoint-3000, которым не требуется отдельный LoRA-адаптер. Для принятия решений модель оценивает переданные в запросе варианты и возвращает распределение предпочтений; режим с 16 слоями рассчитан на низкую интенсивность, а полный режим с 32 слоями рекомендуется для генерации текста. Модель принимает текст и выдаёт текст, в том числе оценки кандидатов, которые приложение может преобразовать в структурированные результаты рабочего процесса. В README приведена оценка 68 из 80 на панели Frozen80, включающей Browser, HelpSteer3, BoolQ, MNLI и задачи атрибуции. Это результат на инженерной панели разработки, а не независимая слепая оценка или показатель успешности браузерных задач. Вероятности выражают относительное предпочтение и требуют калибровки перед интерпретацией как вероятностей правильности; BF16-объединение может менять оценки. Указанная лицензия — Apache-2.0.

Модель tsAspire разработана Шешерой Майсором, Арманом Коханом и Томом Хоупом для поиска и оценки детального сходства между биомедицинскими научными публикациями. Это BERT-модель с 137,1 млн параметров, обученная представлять заголовок и аннотацию статьи набором контекстных векторов предложений. При кодировании предложения учитывают контекст всего заголовка и аннотации; при сравнении модель сопоставляет предложения документов с помощью расстояния Васерштейна, формируя разреженное выравнивание между ними. Модель предназначена для поиска релевантных статей по аннотации или выбранным предложениям из документа, а также для ранжирования кандидатов по тематическому сходству. Она обучена на 1,2 млн пар биомедицинских статей, связанных совместным цитированием, и оценивалась на наборах TRECCOVID и RELISH. Контекст составляет до 512 токенов. Для получения векторов и ранжирования требуется дополнительный код поверх Transformers. Модель ориентирована на англоязычные биомедицинские тексты; качество в других областях может быть ниже. README также указывает, что при дополнительной настройке модель можно применять для классификации документов или предложений. Лицензия — Apache 2.0.

Bormokrut — русскоязычная модель генерации текста на архитектуре GPT-2, созданная дообучением Bormotuha методом SFT с использованием TRL. Она предназначена для извлечения из текста сущностей, аспектов и ключевого вопроса, а также для маршрутизации вопроса к экспертной области, например медицинской или гуманитарной. Модель содержит 42 слоя, размер скрытого представления 256 и 8 голов внимания; контекст — до 1536 токенов. В карточке приведены примеры извлечения сведений из текста и выбора области для вопроса. Указанные сценарии — узкоспециализированная обработка текста на русском языке. Модель распространяется по лицензии MIT. Короткий контекст ограничивает работу с длинными документами; карточка не приводит оценок качества или подробных сведений о проверке на разных типах входных данных.

CoVe-4B — компактный диалоговый агент с поддержкой вызова инструментов, разработанный на базе Qwen3-4B-Instruct-2507 и дообученный по фреймворку Constraint-Verification (CoVe). Модель обучена на наборе CoVe-12K, содержащем 12 тысяч многоходовых траекторий использования инструментов, синтезированных и проверенных детерминированными проверками ограничений. Модель предназначена для интерактивных сценариев, где агент должен вызывать инструменты и соблюдать заданные ограничения. В README сообщается о высоких результатах на τ²-bench среди моделей размером до 8 млрд параметров и о сопоставимости с моделями до 70 млрд параметров. Это плотная архитектура Qwen3 с 3,7 млрд параметров, контекстом до 262 144 токенов и форматом вызова инструментов Hermes; для развёртывания предлагается vLLM. Карточка указывает английский язык и библиотеку Transformers. Модель распространяется под лицензией Apache-2.0. Описанные результаты относятся к τ²-bench; карточка не приводит подробностей о переносе качества на другие задачи и языки.

ClimateBERT — дообученная языковая модель на базе RoBERTa с классификационной головой для определения, относится ли абзац о климате к конкретным или неконкретным. Модель разработана для классификации климатических текстов и дообучена на наборе данных climatebert/climate_specificity, начиная с climatebert/distilroberta-base-climate-f. Модель содержит 95,4 млн параметров, принимает текст и выдаёт метку класса. Контекст — до 514 токенов. Она предназначена для анализа абзацев; на отдельных предложениях качество может быть ниже. Лицензия — Apache-2.0.

cea-list-ia разработала англоязычный классификатор ESG-тем для анализа текстов. Модель на архитектуре DistilBERT решает задачу классификации текста и размечает содержание по иерархии ESG: широким категориям Environmental, Social и Governance, 16 тематическим классам второго уровня и 119 детальным классам третьего уровня. Модель предназначена для категоризации корпоративных ESG-отчётов и выделения тем, связанных с климатом, загрязнением, биоразнообразием, ресурсами, правами человека, условиями труда и управлением. Она принимает текст и выдаёт метки классов. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Карточка указывает английский язык; лицензия MIT разрешает использование на её условиях.

FacTora Fake News Detector — модель на базе DistilBERT, дообученная для бинарной классификации текстов на категории FAKE и REAL. Она обучена на наборе LIAR: метки false, pants-fire и barely-true объединены в FAKE, а half-true, mostly-true и true — в REAL. В README указано, что модель разработана для платформы FacTora; базовая модель — distilbert-base-uncased. Модель предназначена для оценки утверждений и новостных текстов на предмет их правдивости, в том числе для анализа новостей и поддержки проверки фактов. Она принимает текст и выдаёт одну из двух меток классификации. Архитектура — DistilBERT для классификации последовательностей; максимальный контекст составляет 512 токенов. Поддерживается английский язык. Модель распространяется под лицензией MIT. Её бинарные метки упрощают исходную шестиклассовую шкалу LIAR, поэтому результат не передаёт градации достоверности и сам по себе не подтверждает факты: выводы следует рассматривать как классификационную оценку, а не как окончательную проверку источников.

wilfredomartel/GemmaEmbedding-TripLegalCL-300k — модель Sentence Transformers, полученная дообучением google/embeddinggemma-300m на 300 тысячах пар запросов и релевантных документов из набора TripLegal-CL. Она преобразует испанские юридические запросы и тексты в плотные эмбеддинги размерности 768 для семантического поиска, оценки сходства, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство; максимальная длина входа составляет 2048 токенов. Модель содержит 302,8 млн параметров, использует архитектуру Gemma3Text и распространяется в формате safetensors. Модель предназначена прежде всего для поиска релевантных фрагментов в испанских юридических документах и сравнения запроса с текстом дела. В README приведены высокие значения cosine_accuracy для двух наборов оценки поиска, однако они относятся к указанным тестовым данным. Модель выпущена под лицензией Apache-2.0.

Модель devngho/ko_edu_classifier_v2_nlpai-lab_KoE5 разработана devngho для оценки образовательной ценности корейских веб-страниц. Это модель KoE5 с добавленной классификационной головой, обученная на 500 тысячах корейских примеров из набора devngho/ko_llm_annotations; оценки для данных создавались с помощью Qwen2.5-32B-Instruct. По назначению она похожа на HuggingFaceFW/fineweb-edu-classifier, но ориентирована на корейский контент. Для корректной работы перед входным текстом требуется добавлять префикс «passage: ». Модель выполняет классификацию текста и выдаёт оценку образовательной ценности. В README указана оценка F1 около 0,72 при разделении примеров на группы выше и ниже 3; автор связывает ограниченное качество с недостатками корейских эмбеддингов и оценок, использованных при подготовке данных. Репозиторий содержит Flax- и safetensors-форматы. Лицензия — MIT.

Legal-BERTimbau-sts-base-ma — модель Sentence Transformers на базе BERT, созданная для семантического сравнения предложений и абзацев на португальском языке в юридической области. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена для оценки семантического сходства на португалоязычных наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась многоязычная дистилляция знаний. В README приведены результаты STS на этих наборах. Модель может использоваться для поиска юридических текстов по смыслу, группировки похожих документов и сравнения формулировок. Она предназначена прежде всего для португальского юридического текста; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Legal-Embedding-Ita-0.6B — модель эмбеддингов Sentence Transformers, разработанная ReDiX и дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска по итальянским текстам с особым акцентом на юридические документы. Она преобразует запросы и документы в плотные векторы размерностью 1024 и предназначена для семантического поиска, ранжирования документов и извлечения материалов для RAG-систем. Для сравнения векторов рекомендуется косинусное сходство; архитектура включает Qwen3Model, пулинг последнего токена и нормализацию. Модель принимает текст, рассчитана прежде всего на итальянский язык и ограничивает длину последовательности 1024 токенами. В карточке указано улучшение результата на итальянском юридическом наборе MuPLeR-retrieval относительно базовой модели, однако прирост не следует переносить на другие языки и области. Модель не генерирует ответы, а выдаёт эмбеддинги; результаты поиска не подтверждают юридическую корректность и не заменяют консультацию специалиста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; авторы также заявляют, что модель предназначена для исследований, а не для производственной эксплуатации.

nishp24 дообучил Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для поиска и сравнения юридических текстов. Энкодер принимает предложения и абзацы, преобразует их в нормализованные плотные векторы размерности 384; сходство можно оценивать по косинусной мере. Архитектура состоит из BERT-энкодера, среднего pooling и нормализации. В метаданных указан контекст до 512 токенов, а в карточке модели — максимальная длина последовательности 256 токенов, поэтому при использовании следует ориентироваться на лимит самой модели в 256 токенов. Обучение проводилось на 1 933 парах предложений, включая фрагменты нормативных документов. Модель подходит для семантического поиска и извлечения релевантных правовых фрагментов. Она рассчитана на текст и унаследовала англоязычную основу; подтверждённой поддержки русского языка карточка не заявляет. Лицензия в предоставленных данных не указана.

Llama-xLAM-2-8b-fc-r-dpo-prune — дообученная модель на архитектуре Llama, созданная на основе Salesforce/Llama-xLAM-2-8b-fc-r. Она предназначена для многоходового вызова функций и использования инструментов в диалоговых агентных системах, в том числе для оценки на BFCL. Для повышения эффективности использования инструментов модель дообучали методом итеративного пошагового DPO с отбором проверенных траекторий; веса LoRA-дообучения объединены с базовой моделью. Обучение использовало пары предпочтений, сформированные на BFCL v3 Base Multi-Turn. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 131 072 токенов. Репозиторий содержит веса Safetensors, а для работы указана библиотека Transformers. Лицензия — Llama 3.1. Подробное описание метода и экспериментов авторы обещают опубликовать позднее.