I.1Поиск и навигация по информации

Kurage-en-GGUF — это набор GGUF-квантизаций языковой модели kurage-en, разработанной lightblue и подготовленной пользователем bartowski для запуска через llama.cpp. Модель предназначена для генерации текста на английском языке и сценариев RAG. Доступен специальный шаблон чата с ролями system, user и assistant; запуск также поддерживается в LM Studio. В репозитории представлены варианты от исходных весов F16 размером 15,23 ГБ до компактных IQ2_M размером 2,78 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации; варианты Q6_K_L, Q6_K, Q5_K_M и Q4_K_M отмечены как рекомендуемые с разным компромиссом между качеством и требованиями к памяти. Некоторые варианты используют Q8_0 для embedding- и output-весов, что потенциально повышает качество, но README не подтверждает измеренный эффект. Модель поддерживает английский язык; сведения об архитектуре, количестве параметров, размере контекста и других модальностях не указаны. Более компактные квантизации подходят для систем с ограниченным объёмом оперативной памяти, однако сопровождаются снижением качества, особенно у вариантов Q2 и Q3. Для ARM доступны специализированные варианты, часть которых требует поддержки SVE или i8mm. Лицензия исходной модели — Apache-2.0.

Это модель распознавания именованных сущностей в юридических текстах на бразильском португальском языке. Её разработал dominguesm, дообучив dominguesm/legal-bert-base-cased-ptbr на задаче классификации токенов. Модель построена на BERT, содержит 136,1 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель выделяет людей, организации, места, временные выражения, законодательные акты и судебную практику. Она предназначена для анализа юридических документов, исследований в области обработки естественного языка и правовых технологий. В README приведены тестовые метрики: общие precision 0,943, recall 0,961 и F1 0,952. Для обучения использовались юридические документы, предоставленные Федеральным верховным судом Бразилии на условиях LREC 2020. Автор предупреждает о возможной проблеме pipeline с максимальной длиной входной последовательности. Модель распространяется по лицензии CC BY 4.0.

mBERT-Bengali-NER — модель распознавания именованных сущностей в бенгальском тексте, разработанная Sagor Sarker на основе bert-base-multilingual-uncased и обученная на датасете WikiAnn. Это трансформер BERT с архитектурой BertForTokenClassification, рассчитанный на классификацию каждого токена; контекст модели составляет 512 токенов, размер — около 194,6 млн параметров. В опубликованной оценке указаны F1 0,971, точность 0,968, полнота 0,974 и accuracy 0,977. Модель подходит для извлечения имён людей и других размеченных сущностей из бенгальских текстов, например для последующего индексирования или анализа документов. Карточка показывает метки PER, а полный набор меток в предоставленном фрагменте приведён не полностью. Для использования нужны Transformers и PyTorch; веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT.

Sri1999/modernbert-embed-base-legal-matryoshka-2 — англоязычная модель Sentence Transformers, дообученная на парах текстов юридической тематики на базе nomic-ai/modernbert-embed-base. Она преобразует предложения и абзацы в плотные нормализованные векторы размерности 768 для семантического поиска, сравнения сходства, поиска перефразировок, классификации и кластеризации текстов. Архитектура включает ModernBERT, усреднение токенных представлений и нормализацию; максимальная длина входа — 8192 токена. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель предназначена для поиска и сопоставления англоязычных юридических текстов, например запросов с фрагментами документов. README приводит оценку поиска на нескольких размерах векторов, но не описывает тестовый набор достаточно подробно для обобщения показателей на реальные данные. Распространяется по лицензии Apache-2.0.

MuRIL — многоязычная модель Google на архитектуре BERT base, предварительно обученная с нуля для 17 индийских языков и их транслитерированных вариантов. Репозиторий содержит модель с MLM-слоем для предсказания замаскированных слов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель насчитывает около 264,8 млн параметров и принимает последовательности длиной до 512 токенов. MuRIL предназначена для языкового моделирования и последующей адаптации к задачам NLP для индийских языков: например, классификации, разметки последовательностей и извлечения ответов на вопросы. При обучении использовались тексты Википедии, Common Crawl и параллельные переводные и транслитерированные данные; такой подход помогает работать с распространённой в индийском контексте записью языков латиницей. Модель не рассчитана на хорошую работу с языками, не представленными в обучении. Лицензия — Apache 2.0.

MyAwesomeModel — модель на базе архитектуры BERT, предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. В метаданных Hugging Face для неё указан pipeline_tag feature-extraction, поэтому модель может использоваться как источник векторных представлений для последующей обработки текста. README также описывает заявленные авторами улучшения рассуждений, логического вывода, генерации кода, ответов на вопросы, суммаризации и function calling, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются проверяемыми сведениями о размере модели, поддерживаемых языках или контекстном окне. Разработчик в предоставленных данных не указан. Модель распространяется по лицензии MIT. Для практического применения следует учитывать несоответствие между описанием README и метаданными, а также самостоятельно проверить фактическое назначение и совместимость конкретных файлов модели.

Модель dima806/news-category-classifier-distilbert классифицирует текст новостей по категориям. Это дообученная для классификации последовательностей модель на базе google-bert/bert-base-uncased, разработанная автором репозитория dima806. Она принимает текст и возвращает категорию новости. Модель использует архитектуру BERT и доступна в форматах PyTorch и Safetensors; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для автоматической тематической сортировки новостных материалов и категоризации текстов в новостных потоках. Базовая модель англоязычная, поэтому классификатор ориентирован на английский текст. Лицензия — Apache-2.0.

NYXIS-Pro — диалоговая текстовая модель QuantaSparkLabs на архитектуре Qwen2 с 1,5 млрд параметров, дообученная на базе QuantaSparkLabs/NYXIS-1.1B. Она предназначена для генерации ответов и помощи с вопросами по программированию, математике, науке, истории и общим знаниям. В комплект входят база AEGIS из 5 426 фрагментов знаний и двухэтапный поиск: первичный подбор с bge-small-en-v1.5 и переранжирование с ms-marco-MiniLM-L-6-v2. Модель также оценивает эмоцию в пользовательском тексте и подстраивает тон ответа. Контекст модели — до 32 768 токенов. По README, система может обращаться к внешнему поиску при наличии предоставленной пользователем API-функции, а при нехватке данных должна сообщать об этом. Заявление карточки о том, что модель не галлюцинирует, не гарантирует фактическую точность. Модель ориентирована на английский язык; небольшое число параметров ограничивает сложные рассуждения, база знаний охватывает ограниченный набор фрагментов, а определение эмоций основано на ключевых словах. Лицензия — Apache-2.0.

TIPS B/14 (v1) — контрастивная модель «текст—изображение» семейства TIPS, представленная в карточке как оригинальный релиз, преобразованный из официальных чекпойнтов. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Модель объединяет визуальный энкодер ViT-B/14 с 12 слоями и текстовый трансформер с 12 слоями. Визуальная часть содержит 86 млн параметров, текстовая — 110 млн; размер эмбеддинга — 768. Штатное разрешение изображений — 448 пикселей, поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для текста используется токенизатор SentencePiece с ограничением в 64 токена. Пространственно насыщенные признаки изображений выравниваются с текстовыми эмбеддингами; веса доступны в формате safetensors, библиотека для работы — Transformers. Модель подходит для поиска изображений по описаниям, сравнения изображения с вариантами текста и zero-shot классификации. Лицензия — Apache-2.0. В README не заявлена поддержка конкретных естественных языков; текстовый энкодер ограничен 64 токенами. Для изображений требуется вход в диапазоне [0, 1] без нормализации ImageNet.

Модель ismatsamadov/xlm-roberta-az-ner разработана на основе XLM-RoBERTa и дообучена для распознавания именованных сущностей в текстах на азербайджанском языке. Она принимает текст и размечает его токены категориями сущностей, включая имена людей, географические названия, организации, даты, суммы денег, время, объекты и события; всего заявлено 25 типов меток. Модель основана на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Для обработки использует Transformers, веса представлены в формате safetensors; длина контекста — 514 токенов. В отчёте на валидационном наборе указаны micro F1 0,75 и macro F1 0,64. Модель предназначена для извлечения сущностей из азербайджанских текстов, например для поиска людей, организаций и мест в документах. По README, она может хуже работать с другими языками и редкими категориями сущностей. Лицензия — MIT.

Nous-Yarn-Llama-2-13b-128k — плотная авторегрессионная языковая модель семейства Llama 2, разработанная NousResearch и дополнительно предобученная на подмножестве датасета PG19 в течение 600 шагов. Модель рассчитана на генерацию текста с длинным контекстом до 131 072 токенов и содержит 12,9 млрд параметров. Модель подходит для генерации продолжений текста и работы со значительным объёмом контекста, например анализа длинных документов или книг. Это версия с патчем Flash Attention 2; для корректной работы требуется библиотека Flash Attention. В карточке упомянуты планы дальнейшего обучения и дообучения для повышения качества работы с длинным контекстом, а результаты бенчмарков обозначены как TODO. Модель построена на базе Llama 2 и представлена в формате PyTorch. Языковая поддержка отдельно не заявлена. Условия лицензирования в предоставленных данных не описаны.

Модель jicoc22578/autotrain-livedoor_news-722922024 создана с помощью AutoTrain и предназначена для многоклассовой классификации текстов японских новостей из набора livedoor_news. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 138,4 млн параметров и принимающая текст длиной до 512 токенов. На проверочной выборке указаны accuracy 0,946 и macro F1 0,940. Модель подходит для отнесения японских новостных текстов к категориям, представленным в обучающих данных. В карточке указано использование PyTorch; лицензия не установлена по предоставленным данным.

datasocietyco/bge-base-en-v1.5-course-recommender-v5 — англоязычная модель Sentence Transformer от Data Society Co., дообученная на базе BAAI/bge-base-en-v1.5 для сопоставления учебных рекомендаций и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, пулинг по токену CLS и нормализацию выходного вектора. Модель подходит для семантического поиска и ранжирования похожих текстов, поиска парафраз, кластеризации и классификации текста, в том числе в сценариях рекомендаций курсов. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт эмбеддинги. В метаданных указана лицензия? Нет данных о лицензии, поэтому условия использования по ней определить нельзя. Обучение опирается на 45 пар примеров, что ограничивает основания для выводов о качестве за пределами целевого сценария.

HYM/Cbert_base_ws-finetuned-ner — модель на архитектуре BERT, дообученная разработчиком HYM на основе ckiplab/bert-base-chinese-ws для разметки последовательностей токенов. Она предназначена для извлечения именованных сущностей в китайском тексте. В README приведены результаты на оценочном наборе: F1 0,9617, точность 0,9602, полнота 0,9633 и accuracy 0,9827; состав набора данных и подробности обучения не описаны. Модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия — GPL-3.0.

Bingsu/clip-vit-large-patch14-ko — корейская модель CLIP, разработанная автором репозитория Bingsu и обученная с использованием подхода Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих метках. Для обучения использовались корейско-английские параллельные данные AIHUB. Модель относится к архитектуре CLIPModel; репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Карточка не сообщает размер модели и длину контекста.

hltcoe/ColBERT_qwen2.5-vl_msrvtt — дообученная исследовательская модель на основе Qwen2.5-VL-3B-Instruct, разработанная для поиска видео по текстовому запросу на наборе MSR-VTT. Она формирует многовекторные представления текста и видео и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Архитектура основана на Qwen2.5-VL с двунаправленным вниманием; размер модели — 3,1 млрд параметров, размер скрытого представления — 2048, контекст — до 128 000 токенов. Модель поддерживает два режима с одними и теми же весами: полноразмерные векторы ColBERT и H-Pool, который на этапе инференса без дополнительных параметров сжимает представления документов иерархической кластеризацией Ward до заданного числа векторов. В README приведены результаты поиска на MSR-VTT, включая Recall@1 55,7 и nDCG@10 71,9 для полноразмерного режима. Основной язык в карточке — английский. Лицензия — MIT. Модель предназначена для извлечения признаков и поиска видео по тексту; практическое применение зависит от создания индекса и реализации процедуры позднего взаимодействия.

dateline-loc-resolver-v1 — многоязычный reranker на основе cross-encoder, разработанный автором репозитория emilys. Модель ранжирует предоставленные варианты мест GeoNames, чтобы определить, какое из них соответствует локации в датлайне новостной статьи. Это дообученная XLM-RoBERTa-base с архитектурой XLMRobertaForSequenceClassification, примерно 305,2 млн параметров и длиной контекста 514 токенов по метаданным; в карточке также указана максимальная длина последовательности 256 токенов. Модель принимает текстовый контекст статьи и описание кандидата, оценивая соответствие пары. Она предназначена для разрешения неоднозначности топонимов в новостях, а не для поиска координат или самостоятельного извлечения кандидатов из географического справочника: список кандидатов нужно сформировать отдельно. Для ожидаемого качества следует соблюдать обученный формат входа, включая тип географического объекта и население кандидата; по умолчанию модель не отказывается от ответа и оценивает любой непустой список кандидатов. Лицензия — CC BY 4.0.

crabz/distil-slovakbert-ner — модель для распознавания именованных сущностей в словацком тексте. Она дообучена разработчиком на основе crabz/distil-slovakbert на словацкой части набора WikiANN. Архитектура — RoBERTa для классификации токенов; модель содержит 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель назначает метки отдельным токенам и подходит для извлечения сущностей из словацких текстов. В README указана оценка F1 0,9307, однако подробности протокола оценки и состав классов не приведены. Лицензия в доступных данных не указана.

Erlangshen-Longformer-110M — китайская модель понимания текста из серии Erlangshen, разработанная командой Fengshenbang. Это плотная архитектура Longformer на 122,5 млн параметров; модель продолжала предварительное обучение на корпусе WuDao объёмом 180 ГБ на основе chinese_roformer_L-12-H-768-A-12. В позиционных представлениях используется RoPE. Контекст модели составляет 4096 токенов. Модель предназначена для работы с длинными китайскими текстами и задач понимания естественного языка. Для загрузки авторы предлагают библиотеку Fengshenbang-LM, поскольку структура Longformer-base отсутствует в стандартной библиотеке Transformers. В репозитории указаны веса PyTorch. Лицензия — Apache-2.0.

facebook/fasttext-es-vectors — предварительно обученные испанские векторные представления слов на базе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и их применения в задачах классификации текста и определения языка. Она подходит для экспериментов, прототипирования и практических приложений, работает на обычном многоядерном процессоре и не требует специализированного оборудования. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Размерность представлений — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. Символьные n-граммы позволяют строить представления также для словоформ, не встречавшихся напрямую при обучении. Модель ориентирована на испанский язык. Лицензия — CC BY-SA 3.0. Косинусное сходство векторов можно использовать для оценки семантической близости слов. Предсказания могут отражать смещения, присутствующие в обучающих данных.

FG-CLIP 2 Large — двуязычная модель компьютерного зрения и языка, разработанная Chunyu Xie, Bin Wang и коллегами. Она сопоставляет изображения с текстом и предназначена для тонкого понимания визуального содержимого на английском и китайском языках. В карточке модель загружается через Transformers как AutoModelForCausalLM с обработчиком изображений и токенизатором. Модель подходит для классификации изображений по текстовым описаниям без специального обучения, поиска изображений по запросу и поиска текста по изображению. Авторы сообщают о результатах на 29 наборах данных и 8 задачах, превосходящих SigLIP 2 и MetaCLIP 2; конкретные метрики и детали архитектуры в доступном README не приведены. Весы опубликованы в формате safetensors, лицензия — Apache-2.0.

hindi-modernBERT — базовая предобученная модель с маскированным языковым моделированием, разработанная для текста на хинди. Это 149-миллионная плотная модель архитектуры ModernBERT, обученная с нуля примерно на 28 млрд токенов хинди; она использует BPE-токенизатор с 50 368 элементами и поддерживает контекст до 8192 токенов. Модель предназначена для предсказания замаскированных фрагментов и как основа для дообучения на задачах понимания текста. Чекпойнт показывает результаты на задачах распознавания именованных сущностей и классификации намерений на хинди. После отдельного дообучения с DPR его можно использовать для плотного поиска по коротким и длинным документам; сам базовый чекпойнт не является готовым ретривером. Для лучших результатов требуется нормализация текста письма деванагари, которую токенизатор автоматически не выполняет. Предобучение рассчитано только на хинди. Модель распространяется по лицензии Apache-2.0.

sanganaka/LaBSE-sanskritFT — модель Sentence Transformer, дообученная на базе sentence-transformers/LaBSE на наборе mitrasamgraha. Она кодирует предложения и абзацы на английском и санскрите в векторы размерности 768 для сравнения смысловой близости с помощью косинусного сходства. Модель построена на архитектуре BERT, содержит 498,1 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в README указан предел 256 токенов. Модель предназначена для семантического поиска и сопоставления англоязычных и санскритских текстов. README также указывает применение для поиска парафраз, классификации и кластеризации текстов. В оценке перевода на translate-val указана средняя точность 0,905, а на translate-test — 0,8861; эти значения относятся к описанным в карточке наборам оценки. Модель принимает текст и выдаёт плотные векторные представления. Веса опубликованы в формате safetensors и используются через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

allenai/led-base-16384 — базовая модель Longformer Encoder-Decoder (LED), разработанная AllenAI. Это плотный encoder-decoder-трансформер с 95,2 млн параметров, подготовленный на основе bart-base: матрица позиционных эмбеддингов BART была повторена, чтобы увеличить поддерживаемую длину входа до 16 384 токенов. Модель предназначена для генерации текста по текстовому входу, в частности для суммаризации длинных документов и ответов на вопросы по ним. LED можно дообучать для прикладных задач, требующих учитывать большие объёмы текста. В метаданных указаны реализации PyTorch и TensorFlow, а также поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

IoannisKat1/legal-bert-base-uncased-new2 — модель Sentence Transformers на основе nlpaueb/legal-bert-base-uncased, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. В архитектуре используется BERT с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения юридических текстов на английском языке. Её можно применять для поиска релевантных документов и фрагментов, выявления перефразировок, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на разных размерах вектора, но данных для оценки качества на широком наборе задач нет. Модель содержит 136,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Она унаследовала языковую и предметную специализацию базовой модели Legal-BERT; контекст ограничен 512 токенами, поэтому длинные документы нужно разбивать на фрагменты.

LT-NER-modernBERT — модель VSSA-SDSA для распознавания именованных сущностей в литовских текстах. Она дообучена на литовской части датасета MultiLeg на базе VSSA-SDSA/LT-MLKM-modernBERT и использует архитектуру ModernBERT с головой классификации токенов. Модель содержит 159,4 млн параметров, принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для выделения и классификации персон, организаций, мест, правовых актов, идентификационных номеров и других сущностей в юридических и официальных документах. Её можно применять для извлечения информации из правовых текстов и аналитики данных государственного и общественного секторов. В оценке на MultiLeg указаны F1 0,876 при точном совпадении и 0,908 для метрик с учётом пересечения сущностей. Модель ориентирована на литовский язык и формальный стиль: качество может снижаться на разговорной и диалектной речи. Она не предназначена для многоязычных или генеративных задач.

grimulkan/lzlv-longLORA-70b-rope8-32k-fp16 — слитая модель на архитектуре Llama с 68,7 млрд параметров, созданная объединением LongAlpaca-70B-lora и lzlv_70b_fp16_hf. Дополнительного дообучения не проводилось; из словаря удалили лишнюю строку и токен заполнения, чтобы словари совпадали. Модель предназначена для генерации текста с возможностью экспериментально увеличить контекст до 32K токенов с помощью линейного масштабирования RoPE в 8 раз. По приведённому в README бенчмарку, при увеличении контекста качество снижается примерно на 30%. Автор отмечает, что работоспособность объединения не гарантирована. В репозитории доступны веса safetensors; идентификатор указывает на вариант fp16. Лицензия — CC BY-NC 2.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

mmBERT-32K Factcheck Classifier (Merged) — модель классификации текста от llm-semantic-router, созданная на базе llm-semantic-router/mmbert-32k-yarn. Она определяет один из двух классов для входного текста и предназначена для задач проверки фактов и маршрутизации материалов на проверку. Модель использует архитектуру ModernBERT с масштабированием RoPE методом YaRN, содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Это мультиязычная модель; формат репозитория включает Safetensors и ONNX. Слияние адаптера позволяет запускать её напрямую без PEFT. Модель подходит для классификации длинных текстов, например статей или публикаций, при автоматизированной проверке фактов. Карточка не уточняет названия двух классов, языковой охват по отдельности и качество на конкретных наборах данных. Лицензия — Apache 2.0.

Это объединённая с базовой моделью версия классификатора намерений на основе mmBERT-32K-YaRN, разработанная LLM-Semantic-Router. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. LoRA-адаптер ранга 32 слит с базовыми весами, поэтому для инференса не требуется PEFT; доступны форматы Safetensors и ONNX. Классификатор относит текстовые запросы к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерия, здравоохранение, история, право, математика, прочее, философия, физика и психология. Он обучен на академических вопросах MMLU-Pro и дополнительных примерах категорий. В карточке указана точность 80% на тесте; модель предназначена для развертывания в production-системах, включая инференс через Rust/Candle. Лицензия — Apache 2.0. Хотя базовая модель заявлена как многоязычная, метаданные отмечают английский и многоязычность без перечисления отдельных языков, поэтому подтверждённый основной язык определить нельзя.

Модель EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-lv — модель на базе Transformers для token classification. По названию она связана с выявлением синтетических галлюцинаций в ответах на вопросы по Википедии и сценариях RAG, включая данные RAGTruth и вариант с обозначением lv. Модель содержит около 140,5 млн параметров, использует архитектурный стек, связанный с ModernBERT, и поддерживает контекст до 8192 токенов. Модель может применяться для разметки отдельных токенов в ответах, например для выделения фрагментов, связанных с галлюцинациями или недостоверными утверждениями, в системах контроля качества ответов и retrieval-augmented generation. В карточке отсутствуют сведения о разработчике, лицензии, языках, процедуре обучения, результатах оценки и рекомендуемых сценариях использования.