I.1Поиск и навигация по информации

Functionary Medium v3.0 — языковая модель семейства Llama, разработанная meetkai для диалога и вызова функций или плагинов. Она принимает определения инструментов в формате JSON Schema и может решать, когда вызвать их, запускать вызовы последовательно или параллельно, интерпретировать результаты и формировать ответы с опорой на полученные данные. Если инструмент не нужен, модель отвечает обычным сообщением; также заявлена поддержка code interpreter. Модель содержит 69,5 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 8192 токенов. Для запуска авторы рекомендуют OpenAI-совместимый сервер vLLM; карточка также описывает шаблон диалога и код для разбора ответов с вызовами инструментов. Репозиторий содержит веса PyTorch, лицензия — MIT. Модель предназначена для построения разговорных приложений с вызовом внешних инструментов. Для работы с инструментами требуется передавать их определения в ожидаемом формате и корректно обрабатывать структуру вызовов. README не приводит количественных оценок качества; заявленная в карточке сравнительная характеристика с GPT-4 не подкреплена результатами тестирования.

LettuceDetect от KRLabsOrg — модель для выявления галлюцинаций в ответах RAG. Она принимает контекст и ответ и выполняет токенную классификацию, отмечая фрагменты ответа, которые не подтверждаются контекстом. Модель построена дообучением EuroBERT-210m, имеет около 211,7 млн параметров и поддерживает контекст до 8192 токенов. Модель рассчитана на китайский язык и обучена на китайской версии датасета RagTruth. Она предназначена для проверки ответов на основе документов и подсветки неподтверждённых утверждений. В опубликованной оценке на переведённом RAGTruth-CN указана F1-мера 74,41%; результаты могут отличаться на других данных. Лицензия — MIT.

KRLabsOrg LettuceDetect French v1 — модель для выявления галлюцинаций в ответах генеративных систем с опорой на контекст, предназначенная для многоязычных RAG-приложений. Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification, содержащая 607,8 млн параметров и принимающая контекст вместе с ответом для токенной классификации. Поддерживается контекст до 8192 токенов; модель обучена на французской версии набора RagTruth-FR. Модель отмечает токены ответа, не подтверждённые предоставленным контекстом, чтобы затем выделить подозрительные фрагменты. В описанной оценке на переведённом RAGTruth-FR она показала F1 73,13% и полноту 80,38%; эти результаты относятся к указанному набору данных и не гарантируют такого же качества на других данных. Для запуска используется библиотека Transformers, а карточка отмечает несовместимость загружаемого удалённого кода с Transformers 5.x. Лицензия — MIT.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах, сопоставляя их с предоставленным контекстом в RAG-сценариях. Она возвращает токенные метки для неподтверждённых фрагментов, которые можно объединить в более крупные spans и показать пользователю, какие части ответа не подкреплены источником. Модель построена на mmBERT-base с архитектурой ModernBERT и дообучена для token classification на датасете RagTruth-HU, переведённом на венгерский язык. Контекстное окно составляет до 8192 токенов, размер — около 306,9 млн параметров. Лицензия — MIT.

MiniLM-searchkeys — англоязычный энкодер Sentence Transformers, дообученный Saber Zahhar, Nédra Mellouli, Christophe Rodrigues и Nicolas Travers в рамках SearchKeys для многодоменного ранжирования ключевых фраз. Модель кодирует документ и кандидаты ключевых фраз в общее 384-мерное пространство; косинусное сходство служит оценкой релевантности, в том числе для фраз, которых буквально нет в документе. Модель предназначена для ранжирующего компонента конвейера предсказания ключевых фраз с поиском по размеченному корпусу: кандидаты сначала извлекаются, например BM25-поиском по близким документам, а затем сортируются по эмбеддинговому сходству, при необходимости с учётом частоты кандидата. Обучение объединяет датасеты компьютерной науки, биомедицины и новостей, поэтому модель рассчитана на эти три области. Это BERT-подобная модель на базе sentence-transformers/all-MiniLM-L12-v2 с 40 млн параметров; принимает текст и возвращает эмбеддинги. Контекст составляет 512 токенов, более длинный текст обрезается. Лицензия — CC; точный вариант лицензии в предоставленных данных не уточнён.

Mistral-7B-UK — украиноязычная инструктивная языковая модель от SherlockAssistant, созданная на основе Mistral-7B-v0.2. Это плотный трансформер Mistral с 7,1 млрд параметров; модель использует Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE. Контекст составляет до 32 768 токенов, а для диалога доступен chat template; в ручном формате запрос обрамляется токенами [INST] и [/INST]. Модель предназначена прежде всего для ответов на вопросы и выполнения инструкций на украинском языке. Обучение включало дообучение на структурированных и неструктурированных украинских данных, слияние SLERP с NeuralTrix-7B и этап DPO. В карточке перечислены украинские наборы данных для вопросов и ответов, диалогов и знаний, включая UA-SQUAD, UAlpaca и украинскую Википедию. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества; результаты могут зависеть от формулировки запроса и украинского контекста, а указанная специализация не гарантирует одинаковое качество на других языках.

duyntnet/Nemotron-Mini-4B-Instruct-imatrix-GGUF — набор GGUF-квантизаций модели Nemotron-Mini-4B-Instruct, разработанной NVIDIA. Это небольшая авторегрессионная языковая модель для генерации текста, оптимизированная методами дистилляции, прореживания и квантизации для высокой скорости и развертывания на устройствах. Модель предназначена для ролевого общения, вопросов и ответов в сценариях retrieval-augmented generation (RAG), а также вызова функций, преимущественно на английском языке. Модель основана на Minitron-4B-Base, которая была получена из Nemotron-4 15B. Архитектура — Transformer Decoder с сетью Nemotron-4, размером эмбеддингов 3072, 32 головами внимания, Grouped-Query Attention (GQA), Rotary Position Embeddings (RoPE) и промежуточным размером MLP 9216. Контекст ограничен 4096 токенами. Доступны клиенты и интерфейсы llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. Сильные стороны модели — компактность, ориентированность на быстрый локальный запуск и поддержка ролевого общения, RAG и function calling. Ограничения включают англоязычную специализацию, небольшой контекст и зависимость качества от применения рекомендованного шаблона промпта. В README указано, что исходная модель готова для коммерческого использования и распространяется по NVIDIA Community Model License; для данного набора GGUF-квантизаций отдельно указана лицензия other.

NLLB-CLIP-SigLIP — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах и для поиска соответствий между изображениями и текстом. Модель расширяет мультиязычные возможности CLIP до 201 языка набора Flores-200 и, согласно карточке, особенно хорошо работает на языках с малым объёмом ресурсов. На наборе Crossmodal-3600 она достигла лучших на момент публикации результатов. Модель доступна в формате PyTorch и интегрирована с OpenCLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка отмечает, что существует более сильная версия; результаты классификации могут зависеть от формулировок текстовых меток и от того, насколько они соответствуют обучающим данным.

PE-Core-L-14-336 — версия энкодера Perception Encoder в формате OpenCLIP, разработанного Meta. Это контрастивная модель с визуальной и текстовой башнями, предназначенная для сопоставления изображений и текстовых описаний. Репозиторий содержит вариант L/14 с разрешением изображений 336 пикселей; в семействе модели L и B дистиллированы из основной версии G. Для визуального кодирования используется attention pooling, а L-версия дополнительно имеет class token для глобальной агрегации признаков. Модель подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для извлечения признаков и поиска соответствий между изображениями и текстом. В карточке семейства также описаны результаты для видеоклассификации и видеопоиска, однако этот репозиторий размечен для zero-shot классификации изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Число параметров именно этой конфигурации в карточке не приведено.

Diamegs/PIT-4B-FT-202312 — англоязычная instruction-tuned модель семейства Point-In-Time (PIT), разработанная Diamegs на архитектуре decoder-only Transformer для генерации текста. Она предназначена для следования инструкциям и анализа того, что было известно к декабрю 2023 года: обучение на хронологических месячных снимках FineWeb задаёт временную границу знаний модели. LoRA-адаптеры дообучения объединены с базовыми весами; модель загружается через Transformers, веса представлены в safetensors. Контекст — 2048 токенов. Распространяется по лицензии Apache-2.0. Модель подходит для временного анализа и ответов на инструкции с привязкой к состоянию информации на заданный момент. Её знания ограничены веб-текстами, доступными до декабря 2023 года; RLHF и дополнительная настройка безопасности не проводились. Она может воспроизводить смещения обучающих данных и не подходит для критически важных сценариев без дополнительного выравнивания.

arianraje/qwen3-4b-mamba2-hybrid-stage2a-kd — это экспериментальная гибридная языковая модель на базе Qwen3-4B, опубликованная как промежуточный чекпойнт сравнительного исследования. В ней 27 из 36 слоёв внимания заменены микшерами Mamba2, а каждый четвёртый слой сохраняет полное внимание; всего модель содержит 3,7 млрд параметров. Модель дообучена дистилляцией логитов от Qwen/Qwen3-4B и рассчитана на генерацию текста и диалоговые сценарии. Контекст — до 40 960 токенов по метаданным; описанное обучение этого этапа проводилось на последовательностях длиной 4 096 токенов. В тесте RULER модель хорошо справляется с поиском одиночного фрагмента, но качество извлечения нескольких ключей и ответов на несколько запросов снижается с ростом контекста, особенно на 32K. Проверки на здравый смысл и математику не проводились. Для загрузки требуется Transformers с trust_remote_code=True; быстрые ядра требуют mamba-ssm и causal-conv1d, иначе работа медленнее и требует больше памяти. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 209 — чекпойнт языковой модели, опубликованный willamazon1. Он создан на базе willamazon1/qwen3-8b-tmax-sft-v3-iter353 и обучен методом обучения с подкреплением GRPO на асинхронных многоходовых взаимодействиях в агентной среде. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Модель предназначена для диалоговых сценариев и работы агента с инструментами. Это одна из промежуточных итераций обучения: в той же серии опубликованы чекпойнты итераций 69–219, что позволяет сравнивать изменения по ходу обучения. Репозиторий содержит веса safetensors в bfloat16; преобразование выполнено из чекпойнта Megatron-LM torch_dist. Лицензия — Apache 2.0. README не сообщает об оценках качества и целевых языках, поэтому результаты на конкретных задачах и языках по этим данным подтвердить нельзя.

novacardsai/qwen3-medical — дообученная командой NovaCards AI модель Sentence Transformer на базе Qwen/Qwen3-Embedding-4B для получения текстовых эмбеддингов медицинских карточек и других фрагментов текста. Она преобразует предложения и абзацы в плотные векторы размерности 2560; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 40 960 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример обучающих данных для медицинских флеш-карточек и оценка cosine accuracy 0,962 на проверочном наборе med_flashcard_val. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию выходного вектора. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана. Это модель для представления и сопоставления текстов, а не для генерации медицинских ответов; качество за пределами описанного сценария проверки из этих данных установить нельзя.

RAG Audit Judge — небольшая модель для локальной проверки ответов в системах генерации с дополнением поиском (RAG). Она принимает вопрос пользователя, найденные фрагменты контекста и ответ-кандидат, а затем возвращает JSON-аудит с оценкой обоснованности ответа, риском галлюцинаций, качеством цитирования, списком проблем и рекомендуемым исправлением. Модель предназначена для проверок качества RAG при разработке и в локальной автоматизации; оценка должна опираться только на переданный контекст, а не на внешние знания. В репозитории представлены PEFT LoRA-адаптеры для unsloth/Llama-3.2-1B-Instruct-bnb-4bit и unsloth/Llama-3.2-3B-Instruct-bnb-4bit, а также обучающие данные из 108 примеров и материалы для экспорта. Метаданные указывают форматы GGUF и safetensors и библиотеку PEFT. Готовые GGUF-файлы в репозитории отсутствуют: для использования через Ollama их нужно получить из адаптеров. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и у базовых моделей.

Raon-VisionEncoder — мультимодальная модель извлечения признаков изображений и текста, разработанная KRAFTON. Она предназначена для получения признаковых представлений, которые можно использовать для классификации изображений без обучения на целевых классах и поиска соответствий между изображениями и текстовыми запросами. Модель содержит 1,14 млрд параметров и построена на архитектуре LocCa (Localized CoCa) с визуальным энкодером ViT-SO400M и текстовым энкодером. Поддерживает обработку изображений с сохранением исходного соотношения сторон с помощью NaFlex; размер патча составляет 16×16, стандартная конфигурация использует 256 патчей. Модель основана на OpenCLIP и распространяется в формате safetensors. Raon-VisionEncoder принимает изображения и текст и извлекает их признаки для сравнения и классификации. Карточка не сообщает лицензию и не приводит конкретных ограничений качества или набора поддерживаемых языков.

krlvi/sentence-msmarco-bert-base-dot-v5-nlpl-code_search_net — модель Sentence-Transformers на архитектуре BERT, обученная на датасете CodeSearchNet. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на сближение семантически связанных текстов, что подходит для поиска по коду и связанным описаниям. Для использования нужна лицензия AGPL-3.0; при распространении или предоставлении модели как сервиса следует учитывать её условия.

SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Карточка модели yshsdfv/siglip2-base-patch16-naflex на Hugging Face совпадает с карточкой google/siglip2-base-patch16-naflex, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Это плотный визуально-языковой энкодер класса Siglip2Model для сопоставления изображений и текста; модель доступна в формате Safetensors и используется через библиотеку Transformers. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска соответствий между изображениями и текстом, а также в качестве визуального энкодера для мультимодальных моделей и других задач компьютерного зрения. SigLIP 2 объединяет улучшения предобучения SigLIP для семантического понимания изображений, локализации и получения плотных признаков. Она предобучена на наборе WebLI. Модель принимает изображения и текстовые описания или метки и выдаёт оценки соответствия, пригодные для ранжирования вариантов. Карточка не сообщает конкретный размер параметров и длину контекста. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Оценки из карточки относятся к исследовательской публикации; качество может различаться на задачах и данных, отличающихся от предобучения.

sahuabinash/slm-125m-finetuned-qa — плотная языковая модель на архитектуре LLaMA с 125,8 млн параметров, дообученная автором на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы с опорой на предоставленный текст в юридических, финансовых и общих сценариях, а также для суммаризации, извлечения сведений и перефразирования. Модель обучена полным дообучением на 7 521 примере в формате диалога; в обучающих данных использовались юридические, финансовые, SEC- и веб-материалы, ответы фильтровались на обоснованность и дедуплицировались. Контекст — 1 024 токена; для запуска указана библиотека Transformers. Модель ориентирована на англоязычные текстовые запросы и генерирует текст. В карточке приведена perplexity 9,13 на задаче вопросов и ответов, но широкие сравнительные оценки качества не представлены. Для получения результатов требуется соблюдать специальный формат токенов базовой модели. Лицензия — Apache-2.0.

Модель guishe/span-marker-generic-ner-v1-fewnerd-fine-super — англоязычная модель распознавания именованных сущностей на архитектуре SpanMarker. Она разработана на основе numind/generic-entity_recognition_NER-v1 и дообучена на наборе FewNERD; для обработки использует библиотеку SpanMarker и веса PyTorch в формате safetensors. Модель размечает текст категориями сущностей, охватывающими, среди прочего, людей, организации и объекты культуры. Модель предназначена для извлечения сущностей из английского текста и может быть дообучена на собственных данных. Максимальная длина последовательности составляет 256 токенов, максимальная длина распознаваемой сущности — 8 слов. Лицензия — CC BY-SA 4.0, поэтому при использовании и распространении производных материалов следует соблюдать её условия.

TypeCastLM-Qwen3.5-3.8B — разработанная Mihail Gribov модель классификации с открытыми весами, предназначенная для принятия решений по заданному материалу и вопросу. Это дообученная плотная текстовая модель Qwen3.5 с классификационной головой; в метаданных указано 3,1 млрд параметров, контекст — 262 144 токена. Модель работает в четырёх режимах: бинарный ответ «да/нет», распределение «да/нет/не уверен», выбор одного из вариантов и оценка по порядковой шкале. Каждый режим требует одного прохода модели и возвращает вероятности вместо текста. Модель рассчитана на классификацию утверждений по материалу, проверку фактов, ответы на вопросы с вариантами и оценивание по рубрикам; отдельный выход «не уверен» можно использовать для отказа от решения или передачи задачи человеку. README приводит результаты на BoolQ, RTE и FEVER, а также ограничения точности при большом числе вариантов или уровней шкалы. Для бинарного режима температура настроена на более решительные ответы, поэтому его вероятности могут быть недостаточно калиброваны. Указана лицензия Apache-2.0.

X-CLIP — видеоязыковая модель Microsoft на архитектуре XCLIP, основанная на CLIP и обученная с учителем на наборе Kinetics-600. Она сопоставляет видео и текст и предназначена для классификации видео без дополнительного обучения, с небольшим числом примеров или в полностью контролируемом режиме, а также для поиска видео по текстовому описанию. Модель обрабатывает 8 кадров размером 224×224; обучение построено на контрастивном сопоставлении пар «видео — текст». Для оценки на Kinetics-600 указаны точность top-1 88,3% и top-5 97,7%. Репозиторий содержит веса PyTorch, лицензия — MIT.

Модель creemur/xlm-roberta-base-finetuned-panx-all — версия XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для задач разметки последовательностей, в частности для распознавания именованных сущностей в тексте на разных языках с использованием набора PAN-X. Модель содержит 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В карточке указаны результаты оценки: F1 0,8502 и loss 0,1701. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README не уточняет состав обучающего набора и ограничения применения.

Yi-34B-200K-DARE-merge-v7 — текстовая генеративная модель на архитектуре Llama, созданная автором brucethemoose с помощью mergekit. Это слияние нескольких моделей Yi 34B с контекстом до 200 000 токенов, выполненное методом DARE TIES. Модель предназначена для генерации текста и работы с длинными контекстами; автор стремился улучшить качество на контекстах от 32K токенов. В карточке приведён шаблон Orca-Vicuna; модель также может распознавать ChatML и форматы, похожие на Alpaca. В README отмечено, что качество настройки с акцентом на шаблон Orca-Vicuna ещё требует проверки. Для генерации автор советует использовать низкую температуру и MinP. Модель содержит 33,9 млрд параметров, распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и лицензиями исходных моделей слияния.

THemidli разработала компактный англоязычный классификатор токенов для распознавания именованных сущностей. Это дообученная модель prajjwal1/bert-mini на основе BERT с 11,1 млн параметров; она размечает последовательности восемью типами сущностей: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT. Максимальная длина контекста — 512 токенов, лицензия — Apache-2.0. Модель рассчитана на извлечение сущностей из английского текста, например для первичной разметки документов и последующей обработки результатов. В README приведены тестовый F1 0,646 и оценка F1 0,769 на 40 вручную размеченных примерах; результаты на малой выборке не гарантируют качества на других данных. Модель обучена на небольшом неоднородном наборе данных, а распознавание организаций, продуктов, произведений и границ должностей отмечено как слабое. Автор не рекомендует считать её готовой системой защиты персональных данных.

CamemBERT-L2 — компактная версия предварительно обученной модели CamemBERT, опубликованная Antoine Louis. Она получена удалением верхних слоёв исходного чекпойнта; в репозитории указано 43,5 млн параметров. Модель относится к семейству CamemBERT и предназначена для извлечения признаков из текста. Контекст составляет до 514 токенов, основным языком является французский. Модель можно дообучать для задач, в которых решение зависит от всего предложения: классификации текста, извлечения ответов на вопросы и семантического поиска. Также она поддерживает маскированное языковое моделирование. Для генерации текста автор рекомендует использовать авторегрессионные модели. Модель распространяется по лицензии MIT.

CLIP-GmP-ViT-L-14 — дообученная модель сопоставления изображений и текста на основе OpenAI CLIP ViT-L/14, разработанная zer0int. Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт категории словами, а модель оценивает соответствие изображения каждой категории. В карточке указано дообучение с геометрической параметризацией (GmP); в метаданных также указан датасет SPRIGHT-T2I/spright_coco. Модель использует архитектуру CLIPModel и опубликована в формате safetensors. Автор сообщает об улучшении точности на ImageNet и ObjectNet примерно до 0,90 относительно примерно 0,85 у исходной модели, однако эти результаты зависят от протокола оценки. В README исходная версия GmP названа устаревшей и уступающей более поздним вариантам автора, поэтому для использования как текстового энкодера генеративных моделей автор рекомендует другие версии. Лицензия — MIT.

Code-Daemon NER v1 — модель распознавания именованных сущностей в англо- и русскоязычной прозе о разработке ПО. Она выделяет компоненты систем, API и инструменты, пути к файлам, метрики и другие сущности, чтобы связывать документацию, обсуждения и сообщения коммитов с кодом. Это не парсер исходников: модель предназначена для поиска сущностей в текстовых описаниях. Модель основана на XLM-RoBERTa и дообучена для классификации токенов; метаданные указывают 124,3 млн параметров, а README описывает вариант с примерно 117 млн параметров. Контекст — до 128 токенов по настройке обучения; README рекомендует подавать одно-два предложения за вызов. Доступны веса Safetensors и форматы ONNX и Core ML. По оценке авторов на размеченных людьми данных, модель превосходит сравнивавшиеся zero-shot-модели для выбранных инженерных меток, но точность ограничена: авторы рекомендуют использовать её для генерации кандидатов с последующей фильтрацией, а не для автоматической разметки без проверки. Для оптимальных результатов требуется предварительно разбивать идентификаторы camelCase и snake_case. Лицензия — MIT.

Карточка модели jphme/em_german_70b_v01 на Hugging Face совпадает с карточкой jphme/em_german_13b_v01, поэтому описание составлено по ней. EM German 13B v01 — модель jphme на базе Llama 2, дообученная на большом наборе инструкций на немецком языке. Она предназначена для понимания и генерации немецкого текста в формате диалога с помощником и может применяться для ответов на вопросы, выполнения инструкций и сценариев RAG. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и имеет контекст длиной до 4096 токенов. Модель ориентирована на немецкий язык. В README автор рекомендует при неудовлетворительных результатах попробовать другую или более крупную версию семейства; также приведены результаты сравнений версий на примерах, но сведения об оценках именно этой версии не приведены. Лицензия — Llama 2; распространяется исходная лицензия базовой модели. Автор указывает, что модель предназначена только для исследовательского использования.

Карточка модели jphme/em_german_7b_v01 на Hugging Face совпадает с карточкой jphme/em_german_13b_v01, поэтому описание составлено по ней. EM German 13B v01 — модель jphme на базе Llama 2, дообученная на большом наборе инструкций на немецком языке. Она предназначена для понимания и генерации немецкого текста в формате диалога с помощником и может применяться для ответов на вопросы, выполнения инструкций и сценариев RAG. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и имеет контекст длиной до 4096 токенов. Модель ориентирована на немецкий язык. В README автор рекомендует при неудовлетворительных результатах попробовать другую или более крупную версию семейства; также приведены результаты сравнений версий на примерах, но сведения об оценках именно этой версии не приведены. Лицензия — Llama 2; распространяется исходная лицензия базовой модели. Автор указывает, что модель предназначена только для исследовательского использования.