I.1Поиск и навигация по информации

TrOCR Kurrent-Model Hanse 17th century — модель распознавания рукописного текста, разработанная Research Centre for Hanse and Baltic History (FGHO) в рамках Flow Project. Она предназначена для чтения административных документов Северной Германии XVII века: протоколов городских собраний, материалов морского суда и заседаний совета Любека. Модель построена на архитектуре TrOCR типа vision-encoder-decoder и дообучена на основе dh-unibe/trocr-kurrent-XVI-XVII. Она принимает изображения рукописных страниц и выдаёт распознанный текст на ранненововерхненемецком языке. В README указаны CER 0,0040 на лучшей оценке и 0,0382 на тестовом наборе. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

deka-qwen3-emb-0.6b-infonce-lawyer — модель эмбеддингов, разработанная anonymousresearch123 путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в плотные векторы для семантического поиска; вариант документов ориентирован на юридический регистр lawyer, а запросы обучались на сопоставление с текстами fact. Модель использует pooling последнего токена с левым заполнением и L2-нормализацию; в метаданных указаны 507,6 млн параметров и контекст до 32 768 токенов. README сообщает, что при оценке на полном корпусе чистых qrels для регистра fact достигнут Recall@10 34,76%, а для lawyer — 27,14%; результаты зависят от регистра текста. Для работы с запросами требуется добавлять префикс инструкции, использованный при обучении; к документам его добавлять не следует. Модель предназначена для тайского юридического корпуса и не подтверждена как универсальный эмбеддер. Распространяется по лицензии Apache-2.0.

Aditya109 разработал экспериментальную модель Sentence Transformers на базе MPNet, дообученную от FremyCompany/BioLORD-2023 на парах и триплетах названий индийских лекарств. Она преобразует текст в плотные векторы размерности 768 и предназначена для семантического поиска и сравнения брендов лекарств по совпадению действующих веществ, а также для экспериментов с кластеризацией и поиском ближайших соседей. Модель принимает текст. В README указан максимальный размер последовательности 32 токена; метаданные указывают нативный контекст 514 токенов. Для сравнения векторов используется косинусное сходство. На приведённых отложенных наборах дообученная модель превзошла базовую BioLORD по указанным метрикам, однако результаты не подтверждают надёжность в реальном медицинском применении. Данные обучения получены из автоматически обработанного публичного каталога лекарств и не проверялись фармацевтами. Модель нельзя использовать для диагностики, назначения лечения и дозировок, проверки взаимодействий или автоматической замены лекарств. Перед коммерческим использованием следует проверить лицензию исходного набора данных; лицензия самой модели в предоставленных сведениях не указана.

Это дообученная LiquidAI модель LFM2.5-Encoder-350M для BIO-разметки упоминаний данных в экономических научных статьях. Она присваивает токенам одну из меток: NAMED_DATA для названия конкретного источника данных, DESCRIPTIVE_DATA для описания источника без названия и VAGUE_DATA для неопределённого упоминания данных. Модель предназначена для извлечения упоминаний наборов данных, обследований, переписей и реестров из исследовательских текстов. Модель основана на двунаправленной плотной архитектуре LFM2 Encoder; в метаданных указано 444,6 млн параметров и контекст до 128 000 токенов. Для обучения использован набор rafmacalaba/data-use-mentions, BIO-конфигурация, пять эпох и точность bf16. На отложенной выборке README приводит лучшие значения F0.5 0,7635 и F1 0,7034. Модель распространяется по лицензии Apache-2.0. Её назначение узкоспециализированное: результаты оценки приведены для упоминаний источников данных в экономических статьях, поэтому качество на других типах документов и в иных областях не установлено.

Llama3-Aloe-8B-Alpha — языковая модель HPAI для вопросов и ответов в медицинской и биомедицинской тематике. Это плотный авторегрессионный трансформер с декодером на архитектуре Llama 3, содержащий 7,5 млрд параметров и принимающий текст. Модель преимущественно рассчитана на английский язык; длина контекста — 8192 токена. Модель дообучена на основе meta-llama/Meta-Llama-3-8B. В README описаны оценки на медицинских наборах вопросов и ответов, включая PubMedQA, MedQA, MedMCQA и CareQA; авторы также сообщают об улучшении результатов при использовании специальной техники подсказок Medprompt. Модель подходит для исследовательской работы, ответов на медицинские учебные вопросы и изучения медицинских текстов. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование. Модель не предназначена для клинической практики, постановки диагноза или выдачи медицинских рекомендаций: ответы могут быть ошибочными или токсичными, а меры безопасности не исключают обхода ограничений.

Llama-3-instruction-constructionsafety — дообученная модель семейства Llama 3, созданная на основе beomi/Llama-3-KoEn-8B-Instruct-preview. Разработчики обучили её на вопросно-ответных наборах и исходных данных руководств по безопасности на строительных площадках Корейского агентства по охране труда и технике безопасности (KOSHA), используя полное дообучение параметров и около 11 тысяч примеров. Модель предназначена для диалоговых ответов на вопросы о строительной безопасности. Она имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Метаданные указывают поддержку корейского и английского языков; основная прикладная область по обучающим данным — охрана труда в строительстве. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не приводит оценок качества и подробных ограничений; ответы по безопасности следует сверять с актуальными нормативами и рекомендациями специалистов.

OpenThaiGPT 0.0.4 — экспериментальная тайскоязычная модель генерации текста, разработанная Kobkrit Viriyayudhakorn. Это четвёртая версия PoC на базе GPT-2 Thai-base, дообученная на инструкционных данных, подготовленных из публикаций Pantip и вопросов и ответов по Wikipedia; RLHF не применялся. Модель предназначена для генерации ответов на инструкции и вопросы на тайском языке, включая вопросы и ответы по знаниям из Wikipedia. Архитектура — плотная GPT-2 с классом GPT2LMHeadModel, формат весов PyTorch, контекст — 1024 токена. Лицензия — Apache-2.0. Карточка описывает ранний PoC, поэтому качество и надёжность ответов могут быть ограничены.

Qwen2.5-0.5B PGABL Legal Assistant — модель генерации текста, разработанная Dzakwan Fadhlullah для ответов в роли юридического ассистента на индонезийском языке. Она создана дообучением QLoRA с последующим объединением весов в 16-битном формате на наборе Ichsan2895/alpaca-gpt4-indonesian; архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговых юридических сценариев. Для ответов, требующих фактических правовых знаний, автор предполагает использовать RAG: такие знания не следует считать надёжно заложенными в весах модели. Репозиторий содержит веса в формате safetensors; условия лицензии в доступных данных не приведены.

YGOMiniLM — текстовая модель на базе sentence-transformers/paraphrase-MiniLM-L3-v2, дообученная разработчиком jkswin на материалах по Yu-Gi-Oh! с помощью masked language modeling. Она предназначена для создания эмбеддингов предложений и быстрого векторного поиска по обсуждениям Yu-Gi-Oh! и сведениям о картах. Модель использует архитектуру BERT, содержит 18,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для дополнительного предобучения использовались комментарии YouTube и база карт Yu-Gi-Oh!, включая названия, типы, расы и описания карт. Модель ориентирована на английский язык. Для запуска автор рекомендует библиотеку sentence-transformers; доступный формат весов — PyTorch. Специализация на тематике Yu-Gi-Oh! может улучшать поиск по соответствующим обсуждениям и карточным данным, но модель не предназначена для генерации ответов или широкого поиска вне этой области. В README лицензия не указана.

ARI-8B — специализированная языковая модель DAMI-Lab для восстановления повреждённых или нечитаемых иероглифов ханча в корейских исторических записях, в том числе в «Анналах династии Чосон» и «Дневнике королевского секретариата». Она дообучена полным supervised fine-tuning на базе Qwen/Qwen3-8B и содержит 7,6 млрд параметров. Модель принимает текст с маркерами повреждённых символов, каждый из которых обозначает один пропущенный иероглиф, и генерирует восстановленный текст. ARI-8B предназначена для восстановления имён людей, географических названий, организаций, должностей, дат, названий книг и других фрагментов исторических документов. Полный метод ARI дополняет модель хронологическими метаданными и контекстом из 20 документов, найденных лексическим поиском BM25; эти документы и поиск не входят в опубликованные веса и должны быть подготовлены отдельно. В описанной оценке точность составила 35,36% для именованных сущностей и 76,87% для случайно повреждённых символов. Модель использует архитектуру Qwen3, поддерживает контекст до 40 960 токенов и распространяется по лицензии Apache-2.0.

AstroLLaMA-2-70B-Chat_AIC — специализированная диалоговая языковая модель команды AstroMLab, дообученная методом supervised fine-tuning на базе AstroLLaMA-2-70B-Base_AIC. В основе — плотная архитектура LLaMA 2 с 68,7 млрд параметров; модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст 4096 токенов. Модель предназначена для общения по вопросам астрономии и астрофизики, а также для следования инструкциям в формате чата. Для дообучения использовали разговоры по астрономическим статьям arXiv, а также примеры из LIMA, Open Orca и UltraChat. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. По данным карточки, качество чат-версии снизилось относительно базовой AstroLLaMA-2-70B-Base_AIC: оценка упала с 76,0% до 64,7%. Дообучение сместило ответы в сторону общих формулировок и могло ослабить специализированные астрономические знания. Научные ответы следует сверять с рецензируемыми источниками; модель опубликована прежде всего для воспроизводимости и сравнения исследовательских версий.

Llama-3-instruction-constructionsafety-layertuning — дообученная авторами DBCMLAB языковая модель для вопросов и ответов по строительной безопасности. Она основана на beomi/Llama-3-KoEn-8B-Instruct-preview и использует архитектуру Llama 3 с плотной сетью и примерно 7,5 млрд параметров. Модель обучали полным обновлением параметров на корейских QA-данных и исходных материалах руководств по строительной безопасности Корейского агентства охраны труда и здоровья (KOSHA); после обучения параметры слоёв 0, 30 и 31 заменили параметрами базовой модели. Модель предназначена для диалоговых ответов на вопросы о правилах и рекомендациях по охране труда на строительных площадках. Карточка указывает корейский язык, контекст до 8192 токенов и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

LumynaX Doc LayoutLMv3 Base — архивный эксперимент AbteeX AI Labs на базе microsoft/layoutlmv3-base, предназначенный для анализа текста и структуры документов. Согласно карточке, интеграция выполнена через маршрутизацию во время выполнения и не изменяет веса исходной модели. Базовая модель — мультимодальный Transformer для понимания текста, изображений и структуры документов; репозиторий содержит 151,8 млн параметров в форматах PyTorch и Safetensors и использует библиотеку Transformers. Метаданные указывают задачу text-generation, английский язык и контекст до 514 токенов. Модель может служить основой для экспериментов с извлечением и интерпретацией информации из документов, однако README характеризует выпуск как устаревший исследовательский артефакт, который больше не поддерживается и не рекомендуется для промышленного применения. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Qwen2.5-7B-ViLegalQA-Mini — языковая модель, разработанная PeterPaker123 и дообученная на базе Qwen/Qwen2.5-7B-Instruct для юридических консультаций на вьетнамском языке. Она предназначена для ответов на вопросы о гражданском, уголовном и трудовом праве Вьетнама, объяснения правовых понятий простым языком и логического анализа ситуаций с опорой на предоставленный правовой контекст. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров, поддерживает диалоговый режим и контекст до 32 768 токенов. Для генерации ответов рекомендуется задавать системную инструкцию на вьетнамском языке, указанную в карточке модели. Репозиторий содержит веса в формате safetensors. Модель может приводить неверные номера статей и толкования, а её знания могут не учитывать последние изменения законодательства. Ответы требуют сверки с актуальными официальными правовыми документами и не заменяют консультацию квалифицированного юриста. Лицензия — Apache-2.0.

Это дообученная модель Qwen3-1.7B от автора репозитория SeanWang0027, предназначенная для управления агентом в средах ALFWorld и ScienceWorld, а также для задач с поиском SearchQA. Модель обучена методом trajectory SFT на 10 479 эпизодах, смешанных из трёх сред: в качестве примеров использовались траектории учителя Qwen3-32B. В диалоге ReAct она получает инструкции и наблюдения среды и формирует ответы с рассуждением и действием. Модель имеет плотную архитектуру Qwen3, содержит 1,7 млрд параметров и принимает текст. Максимальный контекст — 40 960 токенов. В оценке по протоколу авторов результат составил 48,50% для ALFWorld и 14,37% для ScienceWorld; оценку SearchQA приостановили после 165 эпизодов и результат не приводится. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не сообщает оценку на SearchQA и отмечает, что обучение включало неудачные эпизоды без фильтрации.

Qwen3-VL-8B VQA Wiki — созданная разработчиком phunguyendinhkh мультимодальная модель на базе Qwen/Qwen3-VL-8B-Instruct, дообученная методом QLoRA и объединённая с базовыми весами. Она предназначена для ответов на вопросы о содержимом изображений на вьетнамском языке, в том числе в сценариях визуальных вопросов и ответов по материалам Wiki и VietTravelVQA-подобного набора данных. Модель использует архитектуру Qwen3-VL с 8 млрд параметров и принимает изображения вместе с текстовыми вопросами, выдавая текстовые ответы. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей о контексте.

25b3nk разработал экспериментальный чекпойнт smollm2-360m-boolq-calibration-grpo2-v1 в проекте slm-calibration-rlcd. Это дообучение HuggingFaceTB/SmolLM2-360M-Instruct методом GRPO: компактная плотная языковая модель архитектуры Llama с 361,8 млн параметров, контекстом 8192 токена и весами Safetensors. На вход она принимает отрывок текста и вопрос в формате BoolQ, а отвечает «yes» или «no» вместе с оценкой уверенности. Модель предназначена для проверки калибровки уверенности в бинарных ответах на вопросы по тексту. На описанной выборке BoolQ из 500 примеров она соблюдала формат ответов во всех случаях, показала точность 0,792 и Brier score 0,173; авторы отмечают умеренное улучшение калибровки относительно контрольного запуска при сопоставимой точности. Это результат эксперимента, а не гарантия качества на других данных. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

AdvisorAI — дообученная модель Qwen2.5-14B-Instruct, созданная Nitin Chaube для академического консультирования студентов Технологического института Стивенса. Это плотная авторегрессионная языковая модель с 14 млрд параметров, рассчитанная на диалог и генерацию текстовых ответов; максимальная длина контекста — 32 768 токенов. Полная модель получена слиянием адаптера DoRA с базовыми весами; при настройке использовались QDoRA, rsLoRA и NEFTune. Модель отвечает на вопросы о курсах и пререквизитах, программах и требованиях к степеням, преподавателях, поступлении, финансовой помощи и жизни кампуса. Она ориентирована на сценарии академического консультирования в Stevens Institute of Technology и ведёт диалог в стиле консультанта, обычно оформляя ответы в Markdown. Обучающая выборка включает 79 871 пример из материалов, связанных с институтом, в том числе вопросы и ответы, подготовленные с помощью языковых моделей. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Базовая модель и этот чекпойнт распространяются по лицензии Apache-2.0. Ответы могут быть неполными или устаревшими, особенно по сведениям, которые меняются со временем; покрытие зависит от обучающих материалов и не гарантирует точность академических требований.

dbmdz/bert-base-historic-dutch-cased — языковая модель BERT для исторического нидерландского языка, опубликованная разработчиками dbmdz. Это модель с архитектурой BERT и 137,8 млн параметров, обученная на корпусе Delpher: оцифрованных текстах нидерландских газет за 1618–1879 годы. В README описана предобучающая задача заполнения пропусков в тексте; репозиторий включает веса PyTorch, Safetensors и TensorFlow. Модель предназначена для анализа исторических нидерландских текстов, в том числе последующего дообучения для распознавания именованных сущностей. В оценке на наборе Europeana NER для нидерландского языка авторы сообщают F1 87,45 на тестовой выборке. Максимальная длина контекста — 512 токенов. Лицензия — MIT. Специализация на исторических газетных текстах ограничивает применимость модели к современному нидерландскому и другим языкам; качество также может зависеть от ошибок OCR и соответствия входного текста обучающему корпусу.

cosmosage-v3 — разговорная языковая модель для ответов на вопросы по космологии, разработанная как очередная версия серии cosmosage. Она дообучена на базе Meta-Llama-3-8B: обучение включало продолжение предобучения на тысячах научных статей и учебников, настройку на синтетических парах вопросов и ответов, а также OpenHermes 2.5 для улучшения следования инструкциям и диалоговых возможностей. Модель предназначена прежде всего для вопросов и ответов по космологии, а также поддерживает общий чат. Она использует плотную архитектуру Llama и шаблон запросов Llama 3, содержит около 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. В карточке указана поддержка английского языка. Модель ориентирована на специализированные ответы по космологии и умеет вести диалог, однако её сильнейший сценарий — один ответ на один вопрос. Как и другие языковые модели, она может ошибаться в фактах; результаты оценки в README не описывают отдельно качество в космологии. Лицензия — MIT.

GemmaColRAC-AeroExpert — специализированная языковая модель, разработанная Эдисоном Бехарано, Николаи Потесом и Сантьяго Пинедой при поддержке Fundación Universitaria Los Libertadores, SomosNLP и Hugging Face. Модель предназначена для помощи специалистам и студентам авиационной отрасли в работе с Правилами гражданской авиации Колумбии (RAC): она отвечает на вопросы и помогает разъяснять и упрощать содержание нормативных документов. Это плотная авторегрессионная модель семейства Gemma с 2,5 млрд параметров, доступная в формате Safetensors. Она дообучена на наборах вопросов и ответов по колумбийским авиационным правилам; README называет её пятой итерацией, но базовую модель точно не указывает. Модель рассчитана на испанский язык, имеет контекст до 8192 токенов и поддерживает генерацию текста в диалоговом режиме. Авторы сообщают об оценке на 276 примерах с обратной связью авиационных экспертов: результаты различались между разделами RAC, а для RAC 3 отмечены слабые показатели. Модель может содержать смещения из обучающих данных и не предназначена для принятия юридически обязательных решений без проверки человеком. Лицензия — Apache-2.0.

Warlord-K разработала модель kanha-incidentio-incidents-1.7b-full-v1 — дообученную полным обновлением весов версию Qwen3-1.7B для генерации текста и ответов на вопросы по материалам сайта Kanha. Модель построена на архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. В метаданных указан английский язык; базовая модель Qwen3 многоязычна. Модель предназначена для исследовательского сравнения методов обучения на одном наборе данных с сайта Kanha и контролируемой оценки ответов на вопросы по содержимому сайтов. В опубликованном чекпойнте нет проверенного артефакта MLC. Лицензия в предоставленных источниках не указана.

Q1ngMang/LFM2.5-350M-PT-zh_CN — компактная плотная языковая модель семейства LFM2 от Liquid AI, дообученная автором репозитория на отфильтрованной китайской Википедии. Модель предназначена для генерации текста на китайском языке и продолжения текстов на основе знаний из этого корпуса. Модель построена на архитектуре Lfm2ForCausalLM, содержит 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Для обучения использовались LLaMA Factory и LoRA; в карточке указаны один этап предварительного обучения и датасет китайской Википедии. Репозиторий содержит веса Safetensors и опубликован под лицензией CC BY-SA 3.0. Результаты обучения на одном датасете не подтверждают надёжность для диалога или широкого набора задач. В README отмечен возможный конфликт условий коммерческого использования CC BY-SA 3.0 и лицензии LFM: компаниям с годовым доходом свыше 10 млн долларов может потребоваться отдельная коммерческая лицензия Liquid AI.

Карточка модели mediabiasgroup/magpie-pt-xlm на Hugging Face совпадает с карточкой mediabiasgroup/magpie-pt, поэтому описание составлено по ней. mediabiasgroup/magpie-pt — модель на основе XLM-RoBERTa, предварительно обученная на коллекции LBM (Large Bias Mixture) из 59 задач, связанных с предвзятостью в медиа. Обучение проводилось в режиме многозадачного обучения в рамках работы MAGPIE по обобщению анализа медиапредвзятости и выявлению соответствующих выражений. Модель предназначена для классификации текста в задачах анализа медиапредвзятости. Она основана на архитектуре RoBERTa, содержит около 151,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors; модель дообучена на базе FacebookAI/xlm-roberta-base и поддерживает многоязычный ввод. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение. Карточка не уточняет конкретные поддерживаемые языки и ограничения качества; модель ориентирована на набор задач, связанных с предвзятостью, и её результаты следует интерпретировать с учётом целевой области обучения.

Mavuno-195M-Instruct — компактная языковая модель Dynamoabey с архитектурой LLaMA, обученная с нуля на материалах STEM и литературы по агрономии Восточной Африки, а затем дообученная на 50 711 примерах инструкций. Модель содержит около 195 млн параметров, использует RMSNorm, RoPE, SwiGLU и связывание весов; принимает текст и поддерживает контекст до 2 048 токенов. Репозиторий содержит веса в формате safetensors, а карточка Hugging Face указывает поддержку английского языка и диалогового режима. Модель предназначена для компактного запуска на периферийных устройствах и научных демонстраций: она отвечает на вопросы по STEM и агрономии, а также может помогать с учебными заданиями и базовыми запросами о коде. В README приведены результаты на SciQ, ARC-Easy, OpenBookQA и отдельных разделах MMLU. Лицензия — MIT. Небольшой размер ограничивает надёжность многошаговых символьных вычислений и ветеринарных заключений; такие ответы следует проверять внешними инструментами или через RAG.

Safeeq/tiny-fc-lm — экспериментальная модель Safeeq для маршрутизации запросов к инструментам. Это обученный с нуля decoder-only Transformer примерно на 471 760 параметров: 4 слоя, размерность модели 80, 4 головы внимания, RoPE, RMSNorm, GELU и связанные входные и выходные эмбеддинги. Модель использует BPE-токенизатор с словарём из 2 048 токенов и контекстом до 80 токенов. Модель предназначена для английских запросов: она формирует вызов единственного инструмента web_search с полями запроса и давности либо возвращает none для запросов, требующих воздержаться от вызова. Обучение проводилось на 80 000 синтетических примеров примерно для десяти типов запросов; в README указана точность exact match около 1,00 на внутривыборочной проверке и 0,88 на отложенных формулировках. Это демонстрационная узкоспециализированная модель, а не универсальный ассистент. Она иногда не сохраняет незнакомые имена и названия мест, не поддерживает многоходовый контекст и требует пользовательской реализации для загрузки и диспетчеризации вызовов. Лицензия — MIT.

youngseok12 создал экспериментальную корейскоязычную модель для числового машинного чтения. Это плотная авторегрессионная модель семейства Llama на 6,8 млрд параметров с архитектурой LlamaForCausalLM и контекстом 32 768 токенов. Она получена дообучением skt/A.X-3.1-Light методом SFT с LoRA: адаптер объединён с исходными весами, поэтому отдельный адаптер для загрузки не нужен. Модель доступна в формате BF16 safetensors и работает с Transformers и vLLM; лицензия — Apache-2.0. Модель обучена на 3 000 примерах AI Hub 71568 из экономических и спортивных текстов. Она предназначена для экспериментального сравнения и извлечения числовых ответов из корейских статей: вычислений, сравнения величин и поиска границ или подсказок в тексте. Ответы выдаются в формате «정답: …» без объяснения хода решения. Публичные оценки на бенчмарках не заявлены; на простом тестовом вопросе модель выдала числовой ответ. Модель может давать неверные или не подтверждённые текстом ответы, поэтому её результаты требуют проверки. Она не заменяет профессиональную консультацию; README позиционирует её для исследований и контролируемого сравнения.

Карточка модели dbmdz/bert-mini-historic-multilingual-cased на Hugging Face совпадает с карточкой dbmdz/bert-tiny-historic-multilingual-cased, поэтому описание составлено по ней. dbmdz/bert-tiny-historic-multilingual-cased — компактная многоязычная модель семейства BERT от команды dbmdz, обученная на исторических текстах. Она предназначена для предсказания замаскированных токенов в тексте и может служить компактной основой для обработки исторических документов. Модель имеет архитектуру BertForMaskedLM, 2 слоя и скрытый размер 128; содержит около 4,6 млн параметров и принимает последовательности длиной до 512 токенов. В обучающие корпуса вошли исторические материалы на немецком, французском, английском, финском и шведском языках, включая данные Europeana и Британской библиотеки. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Компактный размер облегчает запуск и дообучение на ограниченных ресурсах. По сравнению с крупными BERT-моделями её возможности и ёмкость ограничены; карточка описывает предобучение, но не приводит оценок качества для конкретных прикладных задач. Лицензия — MIT.

augmdc/bigbird_mental2019_1 — дообученная модель BigBird для выбора ответа из нескольких вариантов. Она основана на augmdc/bigbird_race_1 и содержит 151,9 млн параметров; архитектура представлена классом BigBirdForMultipleChoice. Модель принимает текст и выдаёт выбор ответа, а заявленная длина контекста составляет 4096 токенов. Модель предназначена для задач с вопросом, текстовым контекстом и набором вариантов ответа. На указанном в карточке наборе для оценки она показала точность 0,4983 и loss 1,1074. Разработчик не описал набор данных для дообучения и подробные сценарии применения. Лицензия — Apache-2.0.

KAkston/Catholic-Phi3-Mini — дообученная методом полного fine-tuning языковая модель на базе Microsoft Phi-3 Mini с архитектурой Phi-3 и 3,7 млрд параметров. Она предназначена для кратких ответов на вопросы о католическом учении, библейских стихах, молитвах и общих знаниях, прежде всего в образовательных сценариях для учащихся, преподавателей и семей. Модель принимает текст и генерирует текст; длина контекста составляет 4096 токенов. Обучение проводилось на общедоступных католических текстах, в том числе на Библии Дуэ-Реймса и текстах катехизиса. Модель отражает католическую перспективу и лучше подходит для коротких фактических ответов, чем для сложных рассуждений или нейтрального представления некатолических взглядов. Репозиторий содержит веса в формате Safetensors; лицензия — CC0 1.0 Universal.