I.1Поиск и навигация по информации

Eubiota-Planner-8B — плотная причинная языковая модель примерно на 7,6 млрд параметров, разработанная Eubiota на базе Qwen/Qwen3-8B и дообученная методом GRPO-MAS для планирования научных исследований микробиома. Она предназначена для генерации гипотез о взаимодействиях хозяина и микробов, планирования экспериментов и координации агентов и инструментов при изучении научных вопросов. Модель работает с текстом и имеет контекстное окно до 40 960 токенов. В обучении использовались Microbio-Bench, PubMedQA, MedQA-USMLE и другие наборы данных; среди заявленных сценариев — поиск научной литературы и запросы к биологическим базам данных, включая KEGG. Карточка также сообщает об оценке на общебиомедицинских и специализированных бенчмарках микробиома. Модель может помогать исследователям формулировать механистические гипотезы, составлять планы экспериментов и выбирать последовательность инструментов для поиска и анализа данных. Это специализированная модель для научных задач, и её выводы требуют проверки; доступные материалы не подтверждают автономную надёжность планов или научных заключений. Лицензия — Apache-2.0.

badokorach/flan-t5-small-qa — дообученная модель семейства T5 на основе google/flan-t5-base, разработанная автором репозитория badokorach. По названию она предназначена для ответов на вопросы; карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0634 на оценочном наборе. Модель имеет архитектуру T5ForConditionalGeneration, около 123,8 млн параметров и принимает и генерирует текст; базовая модель ориентирована на многоязычные задачи NLP. Максимальная длина контекста — 512 токенов. Модель может применяться для генерации ответов на текстовые вопросы. Данные об обучающем наборе, подробностях оценки и практических ограничениях не приведены, поэтому значение loss само по себе не позволяет судить о качестве на новых данных. Весы опубликованы в формате PyTorch по лицензии Apache-2.0.

dejanseo/google-links — дообученная модель DeBERTa v3 для поиска слов и фрагментов текста, подходящих на роль анкорного текста гиперссылки. Она размечает каждый токен меткой LINK или O и рассчитана на анализ текста, в частности редакционных материалов и блогов. Модель обучена на 10 273 страницах официального блога Google The Keyword; решения редакторов о ссылках использовались как эталон. По метаданным, это DeBERTa v2 для классификации токенов на 306 млн параметров с контекстом до 512 токенов. В приведённой оценке точность составила 95,6%, полнота — 79,5%, а precision — 42,4%. Высокая полнота помогает находить большинство потенциальных ссылок, но предсказания требуют редакторской проверки: подходящий анкор неоднозначен, поэтому часть отмеченных слов может оказаться ложноположительными кандидатами. Карточка не сообщает лицензию модели.

mitra-qwen35-embedder — плотная модель эмбеддингов для поиска в классической буддийской литературе, созданная командой Dharmamitra на базе Qwen3.5-9B. Модель прошла доменное продолжение предобучения, дообучение с учителем и контрастивное дообучение на параллельных данных; в финальном этапе использовались сложные негативные примеры из сценариев исследовательского поиска. Модель предназначена для межъязыкового поиска параллельных мест: она сопоставляет предложение на одном классическом языке с фрагментом на другом, а также поддерживает поиск по запросу на английском и извлечение фрагмента-перевода. Размер — 7,2 млрд параметров по метаданным, размерность эмбеддинга — 4096, контекст — до 262 144 токенов. Использует архитектуру Qwen3.5 Text и библиотеку Transformers. Для запросов требуется инструкция в шаблоне; документы подаются как обычный текст. Качество зависит от EOS-токена, левого дополнения и pooling по последнему токену. Тибетский поддерживается письмом и транслитерацией Уайли, санскрит и пали — романизацией IAST, китайский — китайским письмом. В карточке приведены результаты собственных оценок на бенчмарке поиска параллельных текстов, включая сложную настройку с 25 000 отвлекающих фрагментов. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-GenomeDetect-PubMed-109M — дообученную модель на архитектуре BERT для распознавания упоминаний генов и белков в биомедицинских текстах. Модель обучена на корпусе BC2GM и принимает токенизированный текст, возвращая BIO-разметку сущностей B-GENE/PROTEIN и I-GENE/PROTEIN. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов; заявлена поддержка английского языка. Модель предназначена для извлечения генов и белков из научных публикаций, медицинских записей и других биомедицинских документов, например для поиска литературы и построения биомедицинских графов знаний. В README указаны F1 0,88, точность 0,88, полнота 0,89 и accuracy 0,97 на BC2GM. Эти результаты относятся к указанному корпусу и не гарантируют такое же качество на других жанрах текста или клинических данных. Лицензия — Apache-2.0.

OpenMed-NER-OncologyDetect-ElectraMed-109M — специализированная модель OpenMed для распознавания и классификации биомедицинских сущностей, связанных с онкологией и генетикой рака. Это дообученный трансформер с архитектурой BERT для token classification; в метаданных указано 136,7 млн параметров, а карточка описывает обучение на корпусе BioNLP 2013 CG. Модель принимает токенизированный текст и возвращает BIO-метки сущностей, включая гены и их продукты, опухоли, клетки, ткани, органы и химические вещества. Английский язык указан в карточке модели; максимальный контекст — 512 токенов. Модель предназначена для извлечения сущностей из научной литературы и биомедицинских текстов, например для поиска генов, связанных с раком, и построения баз знаний. В README приведены результаты на BioNLP 2013 CG: F1 0,73, точность 0,72 и полнота 0,74; результаты следует оценивать в контексте этого набора данных. Карточка указывает лицензию Apache-2.0. Модель распознаёт сущности, но сама по себе не выполняет извлечение отношений, диагностику или проверку лекарственных взаимодействий.

OpenMed-NER-OncologyDetect-SuperMedical-355M — модель OpenMed для распознавания и классификации биомедицинских сущностей в текстах об онкологии и генетике рака. Это дообученная модель архитектуры RoBERTa для token classification, основанная на roberta-large; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. На вход подаётся токенизированный текст, на выходе — BIO-разметка сущностей, включая гены и продукты генов, виды рака, клетки, ткани, органы и химические вещества. Модель предназначена для извлечения сущностей из научной литературы, клинических текстов и медицинских документов, в том числе для поиска генетических маркеров и подготовки данных для биомедицинских графов знаний. Она обучена на корпусе BioNLP 2013 CG; в README приведены результаты на этом наборе: F1 0,899, точность 0,893 и полнота 0,906. Эти показатели относятся к указанному корпусу и сами по себе не подтверждают клиническую надёжность на других данных. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала эту специализированную модель распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная для token classification модель на архитектуре BERT, основанная на BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext и обученная на корпусе NCBI Disease. Веса занимают около 136,7 млн параметров; модель принимает токенизированный текст и возвращает BIO-разметку сущностей заболеваний. Контекст ограничен 512 токенами, основной язык — английский. Модель предназначена для извлечения названий заболеваний из научных публикаций и медицинских документов, а также для поддержки биомедицинского поиска и анализа литературы. В README приведены результаты на NCBI Disease: F1 0,9110, точность 0,8918 и полнота 0,9310. Это узкоспециализированный распознаватель сущностей заболеваний; заявленные сценарии выявления лекарственных взаимодействий и химических соединений требуют дополнительных моделей или этапов обработки. Распространяется по лицензии Apache-2.0.

OpenMed-NER-PathologyDetect-TinyMed-82M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученная для классификации токенов модель на архитектуре RoBERTa; в README указана базовая архитектура distilroberta-base. Метаданные сообщают о 95,2 млн параметров и контексте до 514 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типа Disease; обучена на корпусе NCBI Disease. В README приведены результаты на этом наборе: F1 0,86, точность 0,82 и полнота 0,89. Модель подходит для извлечения заболеваний из медицинских записей, научных публикаций и других биомедицинских документов, а также для поиска упоминаний болезней при анализе литературы. Заявленные в README сценарии включают мониторинг нежелательных явлений и построение биомедицинских баз знаний; распознавание сущностей само по себе не выполняет нормализацию понятий или клиническую диагностику. Основной язык карточки — английский. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-BloodCancer-Base-220M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах, особенно в материалах о хроническом лимфоцитарном лейкозе (ХЛЛ). Она построена на архитектуре GLiNER и дообучена на специализированном корпусе CLL. Модель принимает текст и возвращает найденные сущности с метками; zero-shot режим позволяет задавать типы сущностей при запросе без отдельного дообучения под каждую метку. Модель предназначена для извлечения терминов о заболеваниях, биомаркерах, генах, белках, методах лечения и клинических наблюдениях из медицинских записей и научной литературы. В карточке указана оценка F1 0,67 на тестовом наборе CLL и улучшение на 3,2% относительно базовой модели. Заявления карточки о высокой точности и готовности к производству следует оценивать с учётом этой метрики и проверять на данных конкретного применения. Репозиторий содержит веса PyTorch, а лицензия — Apache-2.0. Карточка не сообщает базовую модель, число параметров или длину контекста, поэтому эти характеристики не приводятся.

Randeng-Pegasus-523M-Summary-Chinese-V1 — модель семейства PEGASUS, разработанная командой Fengshenbang и предназначенная для создания кратких изложений китайских текстов. Это дообученная версия Randeng-Pegasus-523M-Chinese: её дополнительно обучили на отфильтрованной выборке примерно из 1,8 млн примеров, составленной из семи китайских датасетов суммаризации. По заявлению авторов, фильтрация по сущностям повысила верность кратких изложений исходному тексту; для LCSTS приведены метрики ROUGE-1 46,94, ROUGE-2 33,92 и ROUGE-L 43,51. Метаданные указывают архитектуру PegasusForConditionalGeneration, 319,6 млн параметров, формат PyTorch и контекст до 1024 токенов. Модель принимает китайский текст и генерирует его краткое изложение. Карточка не приводит подробных ограничений по применению; качество может зависеть от тематики и стиля входного текста. Лицензия в предоставленных данных не указана.

Модель Surrey NLP — англоязычная RoBERTa-large, дообученная на наборе PLOD-Unfiltered для разметки последовательностей и обнаружения аббревиатур в тексте. Она присваивает метки токенам, помогая находить аббревиатуры и их контекстные формы. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa с классификационной головой для токенов и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch и TensorFlow. На оценочной выборке указаны F1 0,9645, точность 0,9663 и полнота 0,9627. Модель рассчитана на английский язык и не предназначена для генерации текста; качество на иных доменах и языках может отличаться. Лицензия — MIT.

PocketChen/SJTU_NIS4307_intro2ai_bertweet — дообученная модель BERTweet для бинарной классификации англоязычных сообщений по признаку слуха или фейковой информации. Она создана для учебного проекта курса SJTU NIS4307 Introduction to AI и основана на энкодере RoBERTa из vinai/bertweet-base, предварительно обученном на англоязычных твитах. Классификационная голова выдаёт метки LABEL_0 (не слух, достоверное или подтверждённое содержание) и LABEL_1 (слух, фейковое или опровергнутое содержание). Модель содержит 162,4 млн параметров, принимает текст и имеет контекст до 130 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. Модель подходит для классификации коротких сообщений в задачах обнаружения слухов и дезинформации. Её классы объединяют несколько близких понятий, поэтому предсказание не следует считать независимой проверкой достоверности; работа за пределами коротких англоязычных сообщений не подтверждена.

SwissBERT — маскированная языковая модель ZurichNLP для текстов, связанных со Швейцарией. Она основана на архитектуре X-MOD и содержит 151,8 млн параметров. Модель обучалась на более чем 21 млн швейцарских новостных статей из Swissdox@LiRI; для неё создан специализированный словарь подслов и языковые адаптеры для швейцарского стандартного немецкого, французского, итальянского, ретороманского Grischun и швейцарского немецкого. Максимальная длина контекста — 514 токенов. Основная задача модели — предсказывать пропущенные токены. Её также можно применять для разметки сущностей и частей речи, классификации текстов и получения векторных представлений слов, предложений и документов; генерация связного текста не является её назначением. Модель лучше подходит для письменных текстов о Швейцарии, а на других тематиках и вариантах языка может работать хуже. Предобучающий корпус не был полностью обезличен, поэтому модель могла запомнить опубликованные сведения. Лицензия — CC BY-NC 4.0.

Это полная донастройка Whisper medium, созданная Kiran Devraj на основе openai/whisper-medium для распознавания аудио устных слушаний Верховного суда Индии. Модель содержит около 455,8 млн параметров и работает с аудио через архитектуру Whisper; целевой режим декодирования — английская транскрипция. Модель предназначена для расшифровки судебных записей с юридической лексикой, ссылками на дела и именами участников; аудио может содержать отдельные фрагменты хинди, записанные латиницей. На отложенном тестовом наборе карточка сообщает WER 9,2 против 12,6 у базового Whisper medium. Для работы нужны монофонические аудиофрагменты 16 кГц длительностью до 30 секунд. Лицензия — Apache-2.0.

puvrocks27/yugioh-semantic-search — модель Sentence-Transformers на базе архитектуры BERT, разработанная для семантического поиска по текстам о Yu-Gi-Oh!. Она преобразует предложения и абзацы в плотные векторы размерности 384; метаданные указывают 40 млн параметров и контекст до 512 токенов. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска текстов по смыслу и группировки похожих описаний, например для поиска карт и материалов по Yu-Gi-Oh!. Для работы доступны Sentence-Transformers и Transformers с соответствующим pooling. Репозиторий содержит веса safetensors. Сведения о лицензии и языковой специализации в предоставленных источниках отсутствуют.

AffilGood-AffilRoBERTa — англоязычная модель на архитектуре RoBERTa, разработанная для работы со строками аффилиаций организаций. Авторы дополнительно обучили RoBERTa предсказывать замаскированные токены на 10 миллионах строк аффилиаций из OpenAlex, чтобы адаптировать языковую модель к их характерной структуре. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Основная задача модели — восстановление замаскированных токенов в строках аффилиаций. Такая адаптация служит основой для задач распознавания именованных сущностей и выделения фрагментов аффилиаций; в описанной оценке модель показала F1 0,920 для NER и 0,938 для выделения фрагментов. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache 2.0. В README отмечены возможные смещения и нежелательные искажения, поэтому результаты применения следует проверять.

pruas/BENT-PubMedBERT-NER-Chemical — англоязычная модель Pedro Ruas и Francisco M. Couto для распознавания химических сущностей в биомедицинских текстах. Это PubMedBERT, дообученная для разметки токенов; в обучении использованы датасеты по химическим веществам, лекарствам и соединениям, включая CHEMDNER, BC5CDR, DDI и NLM-CHEM. Модель подходит для извлечения названий химических веществ из научных публикаций и других биомедицинских документов, а также для подготовки текстов к последующему поиску и анализу сущностей. Она построена на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; модель распространяется по лицензии Apache-2.0.

dbmdz/bert-base-german-europeana-uncased — модель BERT без учёта регистра, созданная командой цифровой библиотеки MDZ Баварской государственной библиотеки. Она предварительно обучена на корпусе газет Europeana объёмом 51 ГБ и примерно 8 млрд токенов, поэтому подходит для анализа исторических немецких текстов. В README упоминаются результаты для распознавания именованных сущностей в исторических текстах; веса можно загружать через Transformers. Модель содержит 137,8 млн параметров, поддерживает контекст до 512 токенов и работает с немецким языком. Доступны форматы PyTorch, TensorFlow, Flax и Safetensors. Лицензия — MIT. Карточка не описывает ограничения качества или конкретные метрики для задач.

chrono-link-bert-topres19th-ner — модель BERT для распознавания и классификации сущностей по токенам, созданная дообучением emanuelaboros/chrono-link-bert-americanstories-1850-1890. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. По названию репозитория модель предназначена для NER в текстах XIX века, однако README не описывает набор сущностей, обучающие данные и целевые сценарии подробнее. В оценке на тестовом наборе указаны precision 0,7574, recall 0,7970 и F1 0,7767. Лицензия — Apache-2.0.

Модель anonymousresearch123/deka-qwen3-emb-0.6b-multipos-fact-anompos — полноценно дообученный текстовый энкодер на базе Qwen/Qwen3-Embedding-0.6B, разработанный для поиска судебных дел Верховного суда Таиланда. Она кодирует запросы и документы в нормализованные эмбеддинги и предназначена для поиска релевантных дел по тексту фактических обстоятельств. Для запросов требуется префикс инструкции, использованный при обучении; для документов этот префикс добавлять не следует. В обучении применялись пуллинг последнего токена с левым дополнением и максимальная длина 1300 токенов для документа и 256 для запроса; базовая модель поддерживает контекст до 32768 токенов. Размер модели — 507,6 млн параметров; формат весов — safetensors, библиотека — sentence-transformers. Обучение проводилось на датасете anonymousresearch123/deka-retrieval; наилучший результат на отложенной выборке составил R@10 35,75. Модель рассчитана на тайский язык и юридический поиск. Лицензия — Apache-2.0.

deka-qwen3-emb-0.6b-triplet-fact — текстовая модель эмбеддингов, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она обучалась по triplet objective сопоставлять запросы с текстами раздела fact; для запросов требуется префикс-инструкция из обучения, а документы подаются без него. Модель использует pooling последнего токена с левым padding и L2-нормализацией, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует Sentence Transformers и формат safetensors; лицензия Apache-2.0. На тесте по полному корпусу с чистыми qrels для запросов раздела fact указаны R@10 34,76, nDCG@10 21,88 и MRR 0,2701; результаты заметно различаются по типам запросов, поэтому качество зависит от регистра запроса. Модель предназначена для семантического поиска и ранжирования тайских судебных дел, а не для генерации ответов.

Это плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная anonymousresearch123 для поиска дел, рассматривавшихся Верховным судом Таиланда. Она обучена по triplet objective сопоставлять запросы в стиле юриста с текстами фактических обстоятельств дела; для запросов требуется добавлять использованный при обучении префикс-инструкцию, а документы следует кодировать без него. Модель использует pooling последнего токена с левым заполнением и L2-нормализацию; число параметров — 507,6 млн, контекст — до 32 768 токенов. README приводит результаты поиска на полном корпусе с отдельными метриками для пользовательских, юридических и фактических формулировок. Модель предназначена для семантического поиска и ранжирования релевантных судебных дел по запросу на тайском языке. Она распространяется в формате safetensors под лицензией Apache-2.0. Приведённые метрики различаются в зависимости от регистра текста: лучшие результаты показаны для запросов, сформулированных как факты; точность на пользовательских запросах заметно ниже. Для корректной работы важно соблюдать формат запросов и документов, применённый при обучении.

deka-qwen3-emb-0.6b-weight-lawyer — тайская плотная модель эмбеддингов, созданная Anonymous Research путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она сопоставляет запросы с текстами судебных дел в сценарии, где запросы обучались на текстах раздела fact, а документы относятся к регистру lawyer. Модель использует представление последнего токена с левым дополнением и L2-нормализацией; для запросов требуется префикс-инструкция, использованный при обучении, а документы подаются без него. Модель содержит 507,6 млн параметров, принимает текст и выдаёт векторы для семантического сходства и поиска. Максимальная длина контекста — 32 768 токенов, хотя при обучении использовались длины до 1300 токенов для документов и 256 для запросов. В тестах на полном корпусе чистых судебных релевантностей полнота на 10 для запросов регистра fact составила 32,86%, для lawyer — 26,67%, для user — 13,33%; качество заметно зависит от регистра запроса. Лицензия — Apache-2.0.

InaVerdict Gemma v2 — дообученная инструктивная модель на базе Google Gemma 4 E2B IT, предназначенная для исследования права Индонезии и анализа судебных решений. Модель работает в формате диалога и рассчитана на правовой анализ документов и подготовку черновиков. Её можно применять для поиска и анализа сведений в индонезийских юридических материалах, разбора судебных решений и составления черновых текстов. Метаданные указывают мультимодальную архитектуру Gemma 4 и поддержку задач any-to-any; карточка модели описывает юридические сценарии, но не уточняет конкретные входные и выходные модальности для этой версии. Модель основана на google/gemma-4-E2B-it и распространяется в формате safetensors по лицензии Apache-2.0. Результаты не являются юридической консультацией: цитаты, ссылки на источники и выводы необходимо сверять с первичными правовыми материалами. Для использования требуется актуальная версия Transformers с поддержкой Gemma 4.

KoSaul-8B — корейская языковая модель, разработанная Ingeol Baek на основе Open-ko-llama3-8B с продолжением обучения на правовых и медицинско-правовых текстах. Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, предназначенная для генерации текста и диалогового общения на корейском языке. В метаданных указан контекст до 8192 токенов; в README для обучения указана длина контекста 1024 токена. Модель обучали на данных Open API Национального портала законодательства Кореи, базе правовых знаний AI-hub и корпусе специализированных медицинских и юридических книг AI-hub. В сравнении на данных законодательства автор сообщает perplexity 2,649; методика и независимая оценка качества не описаны. Модель может помогать формулировать ответы и тексты по корейским правовым и смежным темам, но её ответы требуют проверки специалистом. Репозиторий содержит веса Safetensors; лицензия в метаданных указана как MIT, тогда как README ссылается на лицензию Llama 3, поэтому условия использования следует сверить с файлами лицензии репозитория и базовой модели.

realPCH/kosolra-wiki-QA — дообученная языковая модель на архитектуре Llama, созданная на основе yanolja/KoSOLAR-10.7B-v0.1. В README указано, что при обучении использовался набор kyujinpy/KOR-gugugu-platypus-set; метаданные также связывают модель с датасетом maywell/ko_wikidata_QA. Модель предназначена для генерации текста и ответов на вопросы по корейским энциклопедическим знаниям. Она содержит 10,7 млрд параметров, принимает текст, выдаёт текст и имеет контекстное окно 4096 токенов. Для загрузки в README приведён пример с Transformers. Лицензия — MIT. Карточка содержит мало сведений об оценке качества и ограничениях; ответы могут быть неточными, особенно за пределами корейской тематики.

Это дообученная модель ikedachin на базе llm-jp/llm-jp-4-8b-thinking — плотной авторегрессионной модели семейства Llama с 7,8 млрд параметров. Она предназначена для ответов на вопросы и генерации рассуждений на стандартном японском языке и диалекте Имабари. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. Модель обучена методом supervised fine-tuning с LoRA на наборах вопросов и ответов из Википедии, после чего адаптер объединён с базовой моделью. Репозиторий содержит полные веса Safetensors и токенизатор с изменённым шаблоном чата, который поддерживает отдельные каналы рассуждений и ответов для диалекта Имабари. Для использования не требуется отдельно загружать базовую модель. При высоком уровне усилия рассуждения модель может зацикливаться на вопросах, требующих знаний, и генерировать повторяющийся текст, приводящий к ошибкам ограничения длины. Результаты оценки версии v3 в карточке не приведены. Лицензия репозитория указана как other; базовая модель распространяется по Apache-2.0, а обучающие наборы — по CC BY-SA 4.0, поэтому перед использованием следует проверить условия лицензирования самой модели и данных.

roma-tahir/multilingual-e5-islamic-v1 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base, разработанная автором репозитория roma-tahir. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768; архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию, а сходство оценивается косинусной мерой. Модель ориентирована на семантическое сопоставление исламских текстов: в примерах обучающих данных встречаются вопросы на арабском, английские переводы и хадисы на арабском. Подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации с использованием эмбеддингов. В репозитории указаны максимум 512 токенов на последовательность и поддержка текстового ввода. Метаданные классифицируют модель как sentence-similarity и feature-extraction. Явная лицензия не приведена в доступных данных. Специализация на исламских текстах и объём обучающей выборки в 801 пример ограничивают основания для вывода о качестве на других темах и языковых парах.

NoticIA-7B — языковая модель на 7,1 млрд параметров, разработанная Икером Гарсия-Ферреро и Бегоньей Альтуной при поддержке SomosNLP, Hugging Face и HiTZ Zentroa. Это дообученная для следования инструкциям модель OpenChat на архитектуре Mistral, предназначенная прежде всего для создания кратких однофразовых резюме испанских новостных статей с кликбейтными заголовками. Модель помогает быстро получить суть статьи и ответить на любопытство, вызванное заголовком. Её также можно использовать для оценки испаноязычных языковых моделей и генерации синтетических учебных данных. Обучение проводилось на наборе NoticIA из 850 испанских новостных статей с написанными людьми резюме; контекст составляет 8192 токена. Модель лучше всего рассчитана на испанский язык Испании, а качество для новостей из Латинской Америки и других языков не гарантируется. Модель распространяется по лицензии Apache-2.0. Авторы запрещают использовать её для действий, способных навредить легитимности или экономической устойчивости профессиональных СМИ.