I.1Поиск и навигация по информации

Модель LennartKeller/fiction-gbert-large-droc-np-ner — дообученная версия fiction-gbert от Leonard Konle, созданная для выявления персонажей в немецкой художественной литературе. Она использует архитектуру BERT с головой token classification и обучена в течение десяти эпох на корпусе Deutscher Roman Korpus (DROC). В отличие от подходов, распознающих только имена, модель помечает именованные сущности и существительные, которые отсылают к персонажу, например имя «Harry» и слово «Zauberer».

Bactrianus разработал эту модель как дообученный чекпойнт Meta Llama 3 8B Instruct для совместной генерации подтверждающих фактов и ответа на вопросы HotpotQA. Она принимает вопрос и предоставленный набор кандидатных абзацев с заголовками и индексами предложений, затем формирует текст с указаниями на подтверждающие предложения и ответом. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 8192 токенов и форматом safetensors; она рассчитана на английский язык. Модель предназначена для исследований на фиксированных кандидатных наборах и сравнения совместной генерации с раздельными модулями выбора абзацев, предложений и ответа. Она не выполняет поиск по корпусу и не находит материалы за пределами переданных кандидатов. Ошибки выбора свидетельств и ответа связаны между собой, длинные наборы могут усиливать влияние отвлекающих абзацев и риск усечения, а пары «заголовок — индекс» и ответ требуют строгой проверки. Модель распространяется по лицензии Llama 3.

Kanha-AI/kanha-kanha.ai-1.7b-grounded-qlora-v1 — диалоговая языковая модель Kanha AI для ответов на вопросы по предоставленному контексту с источниками. Это дообученная методом QLoRA модель Qwen3-1.7B с архитектурой Qwen3ForCausalLM, опубликованная в формате safetensors; размер — 1,7 млрд параметров, контекст — до 40 960 токенов. Основной сценарий — контролируемые эксперименты по ответам на вопросы о содержимом сайтов, полученном из Kanha. Модель обучена отвечать только по переданному извлечённому контексту. Если ответа в контексте нет, её контракт предписывает вернуть фразу «I can't answer that from the provided context.» Карточка приводит оценки на 26 примерах: полнота воспроизведения дат — 1,0, чисел — около 0,97, списков — около 0,60; доля детерминированных ответов — около 0,38. Эти результаты не подтверждают пригодность для браузерного использования. Модель предназначена для исследований и контролируемой оценки ответов на вопросы по сайтам, а не для немедленного пользовательского внедрения. Возможны неверные, неполные и устаревшие ответы, а также запоминание обучающих данных; результаты следует проверять и тестировать в целевой среде. Лицензия в предоставленных данных не указана.

skumar9/Llama-medx_v2 — разговорная медицинская модель для генерации текста, созданная дообучением модели epfl-llm/meditron-7b. Автор указывает, что использовал SFT QLoRA на датасете OpenAssistant и обучал линейные параметры с рангом 16. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговых медицинских сценариев и ответов на текстовые запросы. Она принимает текст и генерирует текст; метаданные отмечают поддержку чата. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Медицинская специализация и диалоговый формат могут быть полезны для прототипирования и помощи в поиске информации, но карточка не приводит оценок точности или клинической валидации. Ответы не следует считать профессиональной медицинской рекомендацией.

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.

Reformed Christian Bible Expert v1.1 — модель ReadyArt, дообученная на базе mistralai/Mistral-Small-24B-Instruct-2501 для вопросов реформатского богословия и изучения Библии. Это плотная языковая модель семейства Mistral с 23,4 млрд параметров, контекстом до 32 768 токенов и форматом safetensors; она предназначена для диалогового взаимодействия и заявляет поддержку вызова функций. Модель отвечает на богословские вопросы с реформатской или кальвинистской позиции, объясняет библейские отрывки с опорой на историко-грамматический подход, помогает в семинарских занятиях и подготовке проповедей. Также заявлены ролевые сценарии пастырского консультирования и вызов функций для поиска библейских ссылок. Модель ориентирована на конфессиональные ответы, утверждает авторитет Писания и придерживается Вестминстерских стандартов, поэтому её интерпретации отражают конкретную богословскую традицию. README не приводит оценки качества или сведения о поддерживаемых естественных языках. Лицензия — Apache-2.0.

AFM-4.5B-Base-KDA-Only — исследовательская языковая модель Arcee.ai, полученная дистилляцией AFM-4.5B-Base. Во всех 24 слоях стандартное полное внимание заменено на Kimi Delta Attention (KDA); модель содержит около 6 млрд параметров по метаданным и обучалась на последовательностях до 32 768 токенов. Для работы с весами используется Transformers, формат файлов — safetensors, лицензия — Apache-2.0. Модель предназначена для исследований линейного внимания, дистилляции внимания и сравнения KDA с полным вниманием при генерации текста. Заявлены линейный рост затрат памяти с длиной последовательности и более плавное снижение качества на длинных контекстах; в тесте извлечения одного фрагмента из контекста указано 100% до 65 тыс. токенов. По сравнению с исходной моделью хуже результаты математических задач и некоторых общих бенчмарков. Чекпойнт не настроен на выполнение инструкций и не оптимизирован для промышленного применения.

Карточка модели dbmdz/bert-small-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.

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.

VuongQuoc/checkpoints_26_9_microsoft_deberta_21_9 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит 533,8 млн параметров. Модель рассчитана на англоязычное понимание текста; длина контекста — до 512 токенов. В README приведены результаты оценки: loss 0,6029, MAP@3 0,865 и accuracy 0,79. Датасет обучения и конкретная предметная область не описаны. Модель распространяется под лицензией MIT; качество на других наборах данных не установлено.

Kanha-AI выпустила экспериментальный чекпойнт Kanha MiniCPM5 2B Grounded Conservative 3EP — дообученную с помощью QLoRA модель openbmb/MiniCPM5-2B для ответов на вопросы по сайтам Kanha с опорой на найденные источники. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 2,2 млрд параметров и принимает текст. Метаданные указывают контекстное окно до 131 072 токенов; для запуска используется Transformers, веса опубликованы в формате safetensors. Модель предназначена для контролируемых экспериментов по обучению и оценке ответов на вопросы по сайтам. На вход ей необходимо передавать извлечённый контекст вместе с вопросом; вопросы без такого контекста выходят за рамки обучения и оценки. В проверке с предоставленным исходным контекстом полнота дат и URL составила 1,0, полнота чисел — около 0,95, но доля прохождения проверки поведения с опорой на источники — около 0,08. Качество поиска источников отдельно не оценивалось, поэтому эти результаты не подтверждают надёжность готовой системы RAG. Карточка указывает исследовательское назначение модели и предупреждает о возможных ошибочных, неполных или устаревших ответах и запоминании обучающих данных. Перед пользовательским применением требуется проверка результатов и целевого окружения запуска. Лицензия в предоставленных данных не указана.

Карточка модели dbmdz/bert-medium-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.

Cuscuz-com-gemma 2b — текстовая генеративная модель, разработанная rhaymison и дообученная на основе google/gemma-2b-it. Она предназначена для ответов на вопросы о Северо-Восточном регионе Бразилии: его истории, географии, экономике, культуре и кухне. Модель использует архитектуру GemmaForCausalLM, содержит 2,5 млрд параметров и рассчитана на контекст до 8192 токенов. Поддерживаемый язык карточки — португальский. Модель подходит для диалоговых справочных сценариев, связанных с регионом. Автор рекомендует использовать её без квантизации для лучшего качества. Опубликована в формате safetensors под лицензией Apache-2.0.

GPUmatLLM — специализированная языковая модель для вопросов и ответов по материалам, применяемым в GPU. Она создана дообучением Qwen2.5-7B-Instruct с помощью LoRA ранга 8 и содержит 7,1 млрд параметров. Модель использует архитектуру Qwen2 и рассчитана на контекст до 32 768 токенов. Модель предназначена для исследовательских вопросов о материалах упаковки GPU, теплоотводе, полупроводниковых подложках и материалах межсоединений. Основной язык — китайский; интерфейс запускается через Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Ответы могут содержать фактические ошибки. Перед использованием в инженерных решениях их следует сверять с первоисточниками.

Medichat-Llama3-8B — разговорная языковая модель для ответов на вопросы о здоровье и медицине. Она создана на архитектуре Llama 3 и объединяет веса Locutusque/llama-3-neural-chat-v1-8b, Undi95/Llama-3-Unholy-8B и ruslanmv/Medical-Llama3-8B-16bit методом DARE-TIES. В метаданных указаны 7,5 млрд параметров, контекст до 8192 токенов и формат safetensors; модель предназначена для текстового диалога на английском языке. Модель может быть полезна для получения справочной медицинской информации и ответов на вопросы по клиническим знаниям, генетике и здоровому старению. В README приведены результаты сравнения с Dr.Samantha 7B по отдельным медицинским темам, но методика оценки и полная таблица не представлены, поэтому эти цифры не подтверждают клиническую безопасность или точность в реальном применении. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены. Ответы модели не следует считать диагнозом или заменой консультации медицинского специалиста.

Mistral-Astronomy-7b-v0.1 — специализированная языковая модель от Phanerozoic, дообученная на OpenHermes 2.5 на основе примерно 1000 пар вопросов и ответов из учебника Astronomy 2e издательства OpenStax. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она поддерживает диалог и генерирует текстовые ответы на вопросы по астрономии. Модель предназначена для астрономов-любителей, преподавателей, исследователей и разработчиков образовательных приложений, виртуальных планетариев и инструментов помощи в исследованиях. Её специализация позволяет давать подробные ответы по астрономии, но качество может снижаться за пределами этой области; карточка также отмечает компромиссы в форматировании и более высокую perplexity на Wikitext по сравнению с OpenHermes 2.5. Лицензия модели — CC BY 4.0.

NewsBERT_1800-1920-Temporal — дообученная TextMachineProject модель BERT для анализа англоязычных газет 1800–1920 годов с учётом года публикации. К представлениям токенов добавляется временной вектор на основе синусоидальных признаков, поэтому модель можно запрашивать для любого года в пределах этого временного диапазона. Размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления пропущенных слов и сравнения вероятностей слов в разные годы, например, чтобы исследовать изменения газетной лексики и дискурса вокруг исторических событий. Она обучена на корпусе из 9,28 млн текстов и годов публикации из коллекций LwM и HMD; используется архитектура BERT для masked language modeling. Модель обучалась один проход, поэтому результаты предварительные. Качество может различаться по годам из-за неравномерного распределения публикаций в обучающем корпусе. Для загрузки необходим сопутствующий модуль continuous_time_embedding.py: стандартный вызов AutoModelForMaskedLM.from_pretrained не поддерживает встроенную временную логику. Сведения о лицензии в доступных источниках отсутствуют.

NSFW BGE-M3 v1 — дообученная KGESH модель эмбеддингов на основе BAAI/bge-m3. Она предназначена для семантического представления и сопоставления текстовых запросов и ключевых слов для контента NSFW. В частности, модель обучена различать взрослые и обычные значения многозначных терминов, например сексуальное значение слова creampie и название десерта. Модель использует архитектуру XLM-RoBERTa с плотными эмбеддингами, содержит 658,7 млн параметров и принимает текст длиной до 8194 токенов. В карточке заявлена поддержка корейского, японского и английского языков; обучение проводилось на 10 008 положительных парах с MultipleNegativesRankingLoss в течение пяти эпох. Для оценки автор приводит корреляции Pearson 0,9075 и Spearman 0,8496 и прохождение 20 тестовых случаев. Модель подходит для семантического поиска и сопоставления NSFW-запросов с текстами. Результаты оценки приведены автором, но подробности тестового набора и независимой проверки не описаны. Доступны форматы Safetensors и GGUF. Условия лицензии в предоставленных данных не приведены.

yuiseki разработал экспериментальную языковую модель qwen3-0.6b-jp-gov-v0.1: плотную Qwen3ForCausalLM с 507,9 млн параметров, полученную продолжением предобучения Qwen/Qwen3-0.6B-Base на фактах о муниципалитетах Японии. Модель генерирует текст на японском языке и рассчитана на продолжение заданного текста, а не на диалог в режиме чата. Она принимает контекст длиной до 32 768 токенов; веса опубликованы в формате safetensors по лицензии Apache-2.0. Основной сценарий — продолжение японских фраз о том, к какой префектуре относится муниципалитет, и ответы на близкие запросы о географических связях муниципалитетов Японии. На фактах и формулировках, использованных при обучении, автор сообщает точность 86,5%; на муниципалитетах, исключённых из обучающего корпуса, — 22,8%. Модель также отвечает на некоторые новые формулировки и обратные запросы, но показатели зависят от формы вопроса. Модель не предназначена для общих знаний о географии Японии: она плохо отвечает о муниципалитетах, которых не было в обучающих данных, и заметно хуже справляется с названиями в ромадзи. Обучение также изменило японский стиль ответов и повысило потерю на отложенной выборке Википедии, что указывает на забывание части общих языковых знаний. Карточка не заявляет о дообучении в формате инструкций.

energy-gpt-regulatorio-32b-safe-v2 — языковая модель CEMIG для регуляторной тематики электроэнергетики Бразилии с акцентом на безопасность ответов. Это дообученная модель семейства Qwen3: поверх energy-gpt-regulatorio-32B-v2 применено выравнивание DPO в рамках RLAIF на предпочтениях для португальского языка Бразилии. Модель предназначена для диалогов и ответов на регуляторные и технические вопросы электроэнергетического сектора. Она принимает текст и генерирует текст, имеет 29,7 млрд параметров, плотную архитектуру Qwen3 и контекст до 40 960 токенов. Карточка указывает португальский язык и лицензию Apache-2.0. Модель ориентирована на внутренние задачи в своей области. Ответы могут содержать неточности, поэтому перед применением в производственных процессах их следует проверять специалистам.

whr778/mmbert-base-combined — экспериментальная модель извлечения информации на базе jhu-clsp/mmBERT-base, дообученная с библиотекой GLiNER2. Она предназначена для извлечения сущностей, отношений и событий, а также классификации текста; обучение проводилось на синтетических многоязычных и многозадачных данных и наборе RAMS. В карточке указаны восемь языков: английский, немецкий, французский, испанский, итальянский, польский, нидерландский и португальский. Это исследовательский чекпойнт для воспроизводимости эксперимента и начальная точка для дальнейшего дообучения на WikiEvents. Результаты слабые: на тесте F1 для сущностей составил 0,295 (строгая оценка), для отношений — 0,001, для классификации — 0,333; автор сообщает об отсутствии надёжного улучшения в последующем дообучении и не рекомендует модель для production. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

SPECTER-frozen-with-biblio-context-finetuned-reviewclassifier — дообученная модель на основе allenai/specter для классификации текстов. В метаданных указана архитектура BERT с классификационной головой и энкодером библиографического контекста; размер модели — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель сохранена в формате PyTorch. Карточка сообщает результаты оценки на неизвестном наборе данных: accuracy 0,91, precision 0,8379, recall 0,0490 и F1 0,0925. Низкие recall и F1 указывают на существенные ограничения качества; метрики не позволяют определить пригодность для конкретного набора данных. Модель опубликована под лицензией Apache-2.0.

megalaa/coptic-english-translator — модель машинного перевода на архитектуре MarianMT с 58 млн параметров. По умолчанию она переводит текст на сахидском коптском языке на английский; параметр from_bohairic=True включает перевод с бохайрского коптского на английский. Параметр output_confidence=True позволяет получить оценку уверенности модели. Модель предназначена для перевода коптских текстов на английский и доступна через библиотеку Transformers. Она принимает текст и выдаёт текст перевода; заявленная длина контекста — 512 токенов. Распространяется по лицензии AGPL-3.0.

FunctionGemma 270M phone assistant — текстовая модель, дообученная автором ankit-pn на базе google/functiongemma-270m-it. Она преобразует команды пользователя в вызовы 20 инструментов для управления функциями телефона: будильниками, таймерами, настройками устройства, календарём, напоминаниями, сообщениями, звонками, приложениями, музыкой, навигацией, поиском в интернете и заметками. На светские беседы и неподдерживаемые запросы модель отвечает текстом без вызова инструмента. Модель построена на архитектуре Gemma 3 Text, содержит 257 млн параметров и рассчитана на контекст до 32 768 токенов. Она работает с английским и хинглишем; для вызовов инструментов требуется использовать те же схемы и системный промпт, на которых проводилось обучение. В тесте на 800 примерах модель показала точное совпадение вызова и аргументов в 75,4% случаев, правильный выбор инструмента — в 93% случаев, долю ошибок разбора — 0,25%. Результаты основаны на одном запуске и синтетическом наборе данных, поэтому качество на реальных командах может отличаться. Вызовы следует проверять перед выполнением на устройстве. Модель распространяется на условиях Gemma Terms of Use.

II-Medical-8B — медицинская языковая модель компании Intelligent Internet, предназначенная для ответов на вопросы и рассуждений в медицинской тематике. Она основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; обучение включало SFT на медицинских данных и дополнительную оптимизацию DAPO на сложных задачах рассуждения. Модель поддерживает диалоговый режим, принимает текст и генерирует текст. В метаданных указан контекст до 40 960 токенов. Модель рассчитана на медицинские вопросы и ответы, включая задачи, похожие на медицинские экзамены и работу с научными публикациями. Авторы сообщают о результате 40% на HealthBench и приводят оценки на нескольких медицинских QA-бенчмарках. Карточка рекомендует запрашивать пошаговое рассуждение и оформлять итог в \boxed{}. Модель выпущена по лицензии Apache-2.0. Авторы предупреждают о возможных смещениях в исходных данных и устаревании медицинских знаний и прямо указывают, что модель не подходит для медицинского применения; её ответы не следует использовать для диагностики или выбора лечения.

Legal-Llama-2-ko-7b-Chat — корейская модель для генерации ответов на юридические вопросы, разработанная командой Boostcamp AI Tech Team YoonSeul на основе kfkas/Llama-2-ko-7b-Chat. Модель дообучена на собственных данных с юридическими вопросами и ответами; в примерах она отвечает на вопросы о наследстве, иске о возмещении ущерба и мошенничестве с недвижимостью. Это плотная авторегрессионная модель семейства Llama с архитектурой Transformer и 6,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Карточка указывает корейский и английский языки, однако специализация модели — юридические вопросы на корейском языке. Модель предназначена для диалоговых консультаций и справочных ответов по правовым темам. Примеры показывают, что ответы могут содержать неточные юридические сведения, поэтому их следует проверять у квалифицированного специалиста. Для загрузки весов и токенизатора требуется принять лицензию Meta.

MindLM1-0.2B-SFT — китайская чат-модель семейства MindLM1, опубликованная разработчиком MindLM. Это компактная языковая модель с 206,83 млн параметров, предназначенная для коротких ответов на вопросы на китайском языке, непринуждённого общения и простых фактических запросов. Она использует плотную архитектуру MindLM с чередованием линейного внимания и обычного внимания; поддерживает диалоговый режим и работает через Transformers с весами Safetensors. Модель рассчитана на локальный запуск в условиях ограниченных ресурсов: README описывает работу на CPU без GPU в среде с 2 ГиБ памяти. Для загрузки требуется доверенное выполнение кода репозитория; на CPU используются SDPA и эталонная реализация, а ускорение на CUDA зависит от дополнительных ядер. В карточке отмечены китайский и английский языки, однако основные сценарии ориентированы на китайский язык. По README, китайская беседа пригодна для практического использования, но модель может повторяться. На повышенной температуре растёт склонность к выдумкам; работа с инструментами и незнакомыми схемами вызова ненадёжна, возможны галлюцинации в английских сценариях без инструментов. Лицензия — MIT.

Экспериментальная модель GLiNER2 для извлечения сущностей и событий из англоязычных текстов. Её разработчик дообучил mmBERT-base на WikiEvents, используя широкую базовую модель whr778/mmbert-base-combined. Модель принимает текст и предназначена для извлечения упоминаний сущностей, типов событий и триггеров событий; в карточке также заявлены извлечение отношений и классификация. Контрольная оценка на отложенной выборке показала низкие результаты: строгая F1 составила 0,277 для сущностей, 0,573 для типов событий и 0,133 для триггеров событий. В эксперименте с инициализацией головы модель не показала надёжного улучшения по сравнению с контрольной и ухудшила распознавание типов событий. Автор помечает чекпойнт как не предназначенный для промышленного применения и сохраняет его для воспроизводимости. Лицензия указана как other; условия использования следует сверить с источником модели.

PubMed-Ophtha CLIP ViT-B-32 — модель vision-language на базе CLIP, разработанная авторами исследования «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научных текстах и изображениях из набора PubMed-Ophtha. Она предназначена для сопоставления изображений глазного дна с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения классификатора. В README сообщается о сравнении на 110 клинических задачах и шести наборах данных для изображений глазного дна; модель также подходит для исследований контрастивного обучения и поиска по сходству. Зрительный энкодер — ViT-B/32 с размером изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер с контекстом 77 токенов. Размерность эмбеддингов — 512. Чекпойнт инициализирован весами OpenAI CLIP и дообучен на 96 916 парах PubMed-Ophtha. Лицензия — MIT. Это исследовательский ресурс, а не клиническая диагностическая система: авторы не валидировали его для постановки диагнозов и не рекомендуют использовать для ухода за пациентами. По README модель ориентирована на изображения глазного дна; хотя исходный набор включает OCT и другие типы изображений, применимость к ним в карточке не подтверждена.

Qwen2.5-7B Legal ID — GRPO — языковая модель на базе Qwen2.5, дообученная Haikal1623 методом GRPO поверх haikal1623/qwen2.5-7b-legal-id-sft. Она предназначена для вопросов и ответов по трудовому законодательству Индонезии и выдаёт ответ на бахаса-индонезия, предваряя его рассуждением в тегах think. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. При обучении поощрялись соблюдение формата, развёрнутость рассуждения, близость к эталонным ответам и сохранение языка ответа. Это второй этап трёхэтапной системы; следующий этап добавляет поиск по текстам нормативных актов. Модель подходит для подготовки черновых ответов и демонстрации хода рассуждения, но не заменяет юридическую консультацию. Рассуждения не проверены и могут привести к уверенно изложенному неверному выводу; модель ограничена изученным материалом по трудовому праву Индонезии и не учитывает последующие поправки. Формальный бенчмарк юридической точности не проводился, а ответы длиннее, чем у базовой SFT-модели. Лицензия — Apache-2.0.