I.1Поиск и навигация по информации

sathishmahi/tamil-ner-model — модель распознавания именованных сущностей в тексте на тамильском языке. Это дообученная версия bert-base-uncased на датасете XTREME, построенная на архитектуре BERT с классификационной головой для разметки токенов. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Модель предназначена для извлечения именованных сущностей из тамильского текста. В README приведено значение loss 0,5562 на оценочном наборе, но классы сущностей и подробности протокола оценки не описаны. Распространяется по лицензии Apache-2.0.

Tucano2-qwen-1.5B-Instruct — португалоязычная инструкционная модель компании Polygl0t, созданная на базе Tucano2-qwen-1.5B-Base. Это плотная Transformer-модель семейства Qwen3 с 1,5 млрд параметров и контекстом 4096 токенов; обучение включало один этап контролируемой настройки инструкций (SFT) и один этап оптимизации предпочтений (APO). Модель предназначена для исследований и разработки систем генерации текста на португальском языке. Она подходит для диалогов, суммаризации, генерации структурированных ответов, работы в сценариях RAG и использования инструментов или вызова функций. Карточка сообщает о сравнительно сильных результатах семейства Tucano2 на португалоязычных тестах, но приведённые таблицы относятся к варианту 3.7B и не подтверждают напрямую качество версии 1.5B. Модель может выдавать фактически неверные или предвзятые ответы, токсичный текст, повторяться и быть многословной; другие языки, кроме португальского, могут обрабатываться хуже. Лицензия Apache 2.0 разрешает использование и адаптацию на её условиях; для реального применения рекомендуется отдельно оценивать риски и смещения.

Это визуальный энкодер SigLIP 2 на архитектуре ViT с патчами 32×32 и входным разрешением 256 пикселей, подготовленный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на наборе данных WebLI. Она предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска и сопоставления изображений или как входные признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache 2.0. В карточке не приведены размер модели и дополнительные сведения о качестве.

Это модель XLM-RoBERTa-base, дообученная автором creemur для классификации токенов. По названию модели она предназначена для распознавания именованных сущностей на немецком и итальянском языках в рамках задачи PAN-X. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Максимальная длина контекста составляет 514 токенов. В README указаны результаты оценки: loss 0,2615 и F1 0,8317, но датасет и подробности оценки не раскрыты. Модель распространяется с лицензией MIT.

FremyCompany BioLORD-STAMB2-v1 — модель эмбеддингов для клинических предложений и биомедицинских понятий, разработанная на основе стратегии предобучения BioLORD. Это дообученная версия sentence-transformers/all-mpnet-base-v2, обученная на BioLORD-Dataset; архитектура MPNet, около 136,7 млн параметров. Модель преобразует предложения и фразы в плотные векторы размерности 768 и сопоставляет их в общем семантическом пространстве. Модель предназначена для семантического поиска, оценки сходства и кластеризации биомедицинского текста, включая клинические записи и медицинские документы. Опора на определения понятий и краткие описания из биомедицинских онтологий помогает сохранять семантические и иерархические связи. В README сообщается о высоких результатах на MedSTS и MayoSRS. Контекст составляет 514 токенов; заявленный язык — английский. Модель выпущена в 2022 году, и авторы рекомендуют для большинства сценариев более новую версию BioLORD-2023. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория. Поддерживается PyTorch и доступно использование через Sentence-Transformers или Transformers.

OFA-Sys разработала базовую версию Chinese CLIP — мультимодальную модель сопоставления изображений и текста. В ней используется ViT-B/16 как визуальный энкодер и RoBERTa-wwm-base как текстовый энкодер; модель обучена на наборе примерно из 200 миллионов китайских пар «изображение — текст». Репозиторий содержит веса PyTorch. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения: пользователь задаёт варианты классов текстом, а модель оценивает их соответствие изображению. Она также формирует эмбеддинги изображений и текста и оценивает сходство между ними, что подходит для поиска и сопоставления изображений с китайскими текстами. Карточка приводит результаты на задачах поиска по MUGE, Flickr30K-CN и COCO-CN, а также на zero-shot классификации. Модель ориентирована на китайский язык; сведения о лицензии в предоставленных данных отсутствуют.

cswikimistral_0.1 — языковая модель на базе Mistral 7B, дообученная simecek методом 4-битного QLoRA на чешской Википедии. Она предназначена прежде всего для дальнейшего дообучения под задачи обработки чешского языка, в том числе суммаризации и ответов на вопросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

joeddav/distilbert-base-uncased-agnews-student — компактная DistilBERT-модель для классификации новостных текстов по категориям AG's News. Её автор — joeddav; модель получена дистилляцией предсказаний zero-shot классификатора на неразмеченном наборе AG's News. В качестве учителя использовалась roberta-large-mnli с шаблоном гипотезы «This text is about {}.». Модель предназначена для быстрого отнесения новостей к категориям набора AG's News и демонстрации переноса знаний от ресурсоёмкого NLI-классификатора к более компактной модели. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Поддерживается английский язык, длина контекста составляет 512 токенов. Доступны веса PyTorch и TensorFlow. По описанию автора, качество может быть ниже, чем у модели, обученной на полностью размеченных данных AG's News. Лицензия — MIT.

Модель NAMAA Community — плоский базовый чекпойнт для распознавания именованных сущностей на арабском языке. Она дообучена для KnowledgeGraphEval 2026 на базе aubmindlab/bert-base-arabertv02: используется архитектура BERT с классификатором токенов, 162,4 млн параметров и контекстом до 512 токенов. Модель размечает токены по 21 типу сущностей в схеме BIO и предназначена для обычного конвейера token-classification. Основные сценарии — извлечение сущностей из арабских текстов и воспроизведение сравнения плоской и вложенной разметки Wojood. На валидации Wojood указана строгая micro-F1 0,9003, на кросс-доменной выборке Konooz — 0,69. Чекпойнт не представляет вложенные или пересекающиеся упоминания, а отсутствие класса I-UNIT не позволяет предсказывать многотокенные сущности UNIT. Для практического применения README рекомендует вложенную версию модели. Модель опубликована под лицензией Apache-2.0. Она рассчитана на арабский язык; для решений с существенными последствиями, касающихся людей или организаций, требуется проверка человеком.

Модель AI-aktindsigt создана в рамках проекта AI-aktindsigt и дообучена для распознавания именованных сущностей в датских документах по запросам о доступе к государственным материалам. Это модель на базе BERT с классификацией токенов, содержащая 205,1 млн параметров и принимающая текст с контекстом до 512 токенов. Представленная версия обучена с дифференциальной приватностью при ε=1. Она выделяет людей, места, организации, сведения о здоровье, адреса, муниципалитеты и телефонные номера. Модель предназначена для поиска чувствительных сущностей в документах; распознавание CPR-номеров и категорий преступлений в этой версии исключено. На тесте для версии sss-ner-dp-1 указана общая Macro-F1 0,75, при этом качество различается по категориям. Модель сохранена в формате PyTorch. Сведения о лицензии в доступной карточке не приведены.

KAL-24B-mx-v1 — языковая модель Saptiva AI на архитектуре Mistral, дообученная для мексиканского варианта испанского языка. Модель основана на mistralai/Mistral-Small-3.2-24B-Instruct-2506: адаптеры LoRA объединены с весами базовой модели, поэтому отдельная загрузка адаптера не требуется. Это плотная модель на 22 млрд параметров с контекстом до 32 768 токенов; она предназначена для генерации текста и диалогов по инструкциям. Модель рассчитана на ответы на испанском языке с учётом мексиканской культуры, повседневной речи, нормативных требований и государственных процедур. Её можно применять для чат-ботов, подготовки черновиков и объяснений, а также ответов на вопросы о процедурах CURP, Infonavit, SAT и SPEI. Для актуальных сведений рекомендуется подключать проверенные источники через RAG. Лицензия — Apache 2.0. Модель может выдавать правдоподобные, но неверные ответы; её знания ограничены данными обучения с датой отсечения в сентябре 2025 года, и она не получает обновления в реальном времени. Точность следует проверять, особенно в юридических, финансовых и медицинских сценариях; вне мексиканского контекста качество может снижаться.

KuBERT-Central-Kurdish-BERT-Model — модель на архитектуре BERT, разработанная AsoSoft для обработки центральнокурдского языка. Она предназначена для классификации текста без заранее заданного набора классов: пользователь задаёт варианты меток, а модель оценивает их соответствие тексту. Чекпойнт содержит около 95 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на корпусе примерно из 296,5 млн токенов, собранном из материалов AsoSoft, текстов Арама Рафика и Мухаммада Азизи, а также корпуса OSCAR 2019. В README также указаны специализированный токенизатор для курдского языка и использование BERT. Это языковая модель общего назначения для центральнокурдских текстов; карточка не сообщает лицензию и не приводит оценок качества, поэтому их нельзя установить по доступным сведениям.

RESMP.DEV выпустила исследовательскую модификацию двунаправленного энкодера LiquidAI/LFM2.5-Encoder-230M для многоязычного поиска по коду. Модель содержит около 221,2 млн параметров; её полный энкодер дообучен контрастивным обучением, а голова masked language modeling удалена. Для получения эмбеддингов доступны запросы с префиксом «query: » и фрагменты кода с префиксом «passage: ». Максимальный контекст — 128 000 токенов, хотя в описанном тесте длина запросов и документов ограничивалась отдельными лимитами. Репозиторий обозначен как MXFP4-GPTQ и предназначен для получения векторных представлений кода и поиска подходящих фрагментов. На отложенном наборе из 6 995 пар вариант с калиброванной MXFP4-квантизацией показал MRR 0,211 против 0,396 у BF16 модели и 0,081 у контрольной MXFP4-квантизации без калибровки; размер артефакта составил около 225,5 МБ. Это заметно компактнее BF16 версии, но качество поиска ниже. README не указывает лицензию репозитория; метаданные обозначают её как other.

Magnus — дообученная модель GRRNMAKE на базе Mistral-7B-Instruct-v0.3, созданная для точного вызова инструментов, соблюдения формата ответа и лаконичной генерации. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для диалогового использования и запуска через библиотеку Transformers. Она поддерживает стандартный шаблон чата Mistral v0.3 для вызова инструментов и контекст до 32 768 токенов. В карточке сообщается о высокой точности кратких ответов и соблюдении инструкций; оценка проводилась на Axim Corrective Benchmark и наборе Axim Alignment Dataset. Модель подходит для ассистентов, которым важно выдавать короткие ответы в заданной структуре и обращаться к инструментам. Лицензия в предоставленных данных не указана.

Ortix Seg LV Base — модель Baltrix из выпуска Ortix для выделения границ предложений в письменном латышском тексте. Она предназначена для очистки документов, обработки корпусов и подготовки текста к поиску и другим языковым конвейерам. Модель использует архитектуру DeBERTa V2 для классификации токенов; вариант Base содержит 6 слоёв. По метаданным, в модели 81,8 млн параметров, контекст составляет 1024 токена. Для применения предусмотрен пакет ortix-seg, который использует конфигурацию сегментации и правила постобработки для латышского языка. Модель дообучена на базе AiLab-IMCS-UL/lv-deberta-base и распространяется по лицензии Apache-2.0. Она рассчитана на сегментацию латышского текста; качество на других языках и задачах не заявлено.

quinex-quantity-v0-124M — англоязычная модель Jülich Systems Analysis для извлечения количественных упоминаний из текста. Это энкодерный трансформер на архитектуре RoBERTa, дообученный на базе nasa-impact/nasa-smd-ibm-v0.1 (INDUS), который был предварительно обучен на научной литературе и Википедии. В метаданных указаны 151,8 млн параметров и контекст длиной 514 токенов; в README размер округлён до 124 млн параметров. Модель размечает токены, находя числа и связанные с ними единицы измерения. Она предназначена для извлечения количественных данных из научных публикаций и других англоязычных текстов. В README сообщается о F1 96,34 на тестовом наборе и проверке на публикациях из нескольких научных областей; результаты зависят от трактовки неоднозначных количественных выражений. Модификаторы вроде «примерно», «более» и отрицания в выделяемые фрагменты не входят. Лицензия — Apache-2.0.

SeongryongJung/qwen3-4b-tooluse-srpo-ema005 — дообученная модель на базе Qwen/Qwen3-4B, представленная как последний чекпойнт обучения global_step_100 в формате Transformers. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 40 960 токенов. Она предназначена для генерации текста и сценариев использования инструментов; обучение выполнено методом SRPO на наборе данных tooluse с EMA-обновлением учителя. В README приведён лучший результат валидации mean@16 — 62,59% на шаге 40, тогда как опубликованный последний чекпойнт показал 57,26%; лучший промежуточный чекпойнт не опубликован, поэтому приведённая лучшая оценка не относится напрямую к доступным весам. Поддерживаются текстовый ввод и текстовый вывод. Лицензия — Apache-2.0.

RoBERTo — модель классификации текста, разработанная absltnull для различения боснийского, хорватского и сербского языков. Это дообученная XLM-RoBERTa-base с архитектурой Transformer для классификации последовательностей и 305,2 млн параметров. Модель принимает текст и возвращает одну из меток: bs, hr или sr. Контекст модели составляет 514 токенов по метаданным; в README указано, что при обучении использовались последовательности до 256 токенов. Модель предназначена для определения языка в наборах данных и балансировки корпусов на боснийском, хорватском и сербском. В README заявлена точность свыше 91% на неоднозначных и однозначных примерах тестирования, однако близость этих языков создаёт ошибки, особенно при различении боснийского и хорватского текста без характерных языковых признаков. Обучающие данные взяты из rsateam/sr-bs-hr-language-id и размечены по источнику публикации. Модель распространяется по лицензии MIT.

SKILLRET-Edge-22M — компактный двунаправленный энкодер на базе BERT, разработанный ThakiCloud для поиска подходящего навыка агента по запросу на естественном языке. Модель дообучена дистилляцией из ThakiCloud/SKILLRET-Embedding-0.6B и основана на Snowflake/snowflake-arctic-embed-xs. В метаданных указано 25,9 млн параметров; README приводит 22,7 млн. Модель принимает текстовые запросы и описания навыков, формирует нормализованные эмбеддинги для семантического сопоставления. Для запросов используется кодирование без префикса инструкции. Контекст модели — 512 токенов; в оценке применялась максимальная длина 256 токенов. На тестовом наборе SKILLRET из 4 392 запросов и 6 006 навыков модель показала NDCG@10 75,26. По данным README, fp16-файл занимает 45,4 МБ; приведены также результаты int8-квантизации и задержки на CPU. Модель предназначена для извлечения навыков из каталога, в том числе при локальном запуске рядом с агентом. Она выдаёт эмбеддинги, а не готовые текстовые ответы. Лицензия — Apache-2.0.

Spark-X2.5-4B Heretic JP — сояака Кинохара — производная модель XHToken/Spark-X2.5-4B, адаптированная для японского языка. Это плотная авторегрессионная языковая модель примерно на 3,8 млрд параметров, распространяемая в формате SafeTensors с весами BF16. Для работы в Transformers требуется пользовательский код модели и параметр trust_remote_code=True. Модель предназначена для японского диалога, выполнения инструкций и вызова инструментов. В процессе подготовки применялись ослабление отказов, продолженное обучение на японской Википедии, настройка на японских инструкциях и дополнительная настройка вызова инструментов. Заявленный контекст составляет до 1 048 576 токенов; базовая Spark-X2.5-4B также описана как многоязычная модель для кода, рассуждений, перевода и агентных задач, однако карточка этой версии прежде всего подтверждает японскую адаптацию и диалоговое использование. Модель может выдавать ответы на небезопасные и вредоносные запросы и не имеет надёжного встроенного защитного слоя. Лицензия — Apache-2.0; модель предоставляется «как есть», поэтому для применения нужны подходящие меры модерации и проверки.

Falconsai/text_summarization — дообученная модель семейства T5, предназначенная для создания кратких связных пересказов входного текста. Она подходит для суммирования документов, новостных статей и другого текстового содержимого. Модель построена на архитектуре T5ForConditionalGeneration и содержит 38,5 млн параметров. Она принимает текст и генерирует текстовое резюме; контекст составляет до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы PyTorch, Safetensors, ONNX и Core ML. Модель выпущена Falconsai по лицензии Apache-2.0. Карточка описывает дообучение T5 Small на документах с человеческими резюме, однако не приводит название датасета или количественные оценки качества. При обработке длинных документов учитывайте ограничение контекста.

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Base с патчами 16×16, предназначенный для библиотеки timm. Он соответствует только изображенческой части мультимодальной модели и обучен на наборе данных WebLI. Модель извлекает признаки изображений; её можно использовать как компонент систем поиска и сопоставления изображений с текстом или для других задач, строящихся на визуальных представлениях. В репозитории указаны веса PyTorch и Safetensors и лицензия Apache-2.0. Карточка не приводит численный размер модели, разрешение входа, набор поддерживаемых языков или параметры контекста; поскольку это только энкодер изображений, текстовый ввод и генерация текста не заявлены.

NlpHUST/vi-word-segmentation — модель NlpHUST для сегментации слов во вьетнамском тексте. Это дообученная на наборе VLSP 2013 модель NlpHUST/electra-base-vn с архитектурой ELECTRA для классификации токенов; размер — 160,9 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для выделения границ слов во вьетнамском тексте и может применяться в конвейерах предобработки текста и анализа вьетнамского языка. В README для оценочного набора приведены F1 0,9835 и точность 0,9911. Для воспроизведения результатов и корректной эксплуатации следует учитывать, что обучение проводилось на конкретном наборе данных VLSP 2013; результаты на других текстах могут отличаться. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, разработанная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для извлечения эмбеддингов и задач семантического сходства; репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и не рекомендуют её использовать.

Sami92/XLM-R-Large-ClaimDetection — дообученная модель XLM-R Large от автора Sami92 для классификации предложений как содержащих фактическое утверждение или не содержащих его. Она предназначена для этапа отбора утверждений в системах автоматической проверки фактов и анализа публикаций в социальных сетях. Модель имеет архитектуру XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Обучение проходило в два этапа: сначала на немецкоязычных сообщениях Telegram со слабыми метками, созданными GPT-4o, затем на данных Risch et al. 2021. На тесте из 149 размеченных Telegram-публикаций модель получила точность 0,90; на тестовой части набора Risch et al. 2021, состоящей из комментариев Facebook, — 0,79. Хотя базовая архитектура многоязычная, проверена модель только на немецком языке, поэтому качество для других языков не установлено. Распространяется по лицензии CC BY 4.0.

NVIDIA Nemotron 3 Nano Omni — мультимодальная модель семейства Nemotron, разработанная NVIDIA и представленная в репозитории Unsloth как вариант на основе nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16. В карточке указаны архитектура NemotronH_Nano_Omni_Reasoning_V3 и формат safetensors; вариант рассчитан на диалог и интерфейс вызова инструментов. В README также описана поддержка обработки текста, изображений, аудио и видео, включая распознавание речи, OCR и анализ графического интерфейса. Модель предназначена для корпоративных мультимодальных сценариев: ответов на вопросы и суммаризации записей встреч и видео, поиска по медиаматериалам, анализа документов, проверки информации в изображениях и автоматизации работы с GUI. README приводит примеры клиентского сервиса, медиа и развлечений, деловых и научных документов, а также браузерных и почтовых агентов. В метаданных перечислены языки английский, французский, испанский, итальянский, немецкий, японский и китайский; в README указана возможность коммерческого использования. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверять с лицензией репозитория.

Llama-3.1-Nemotron-Ultra-253B-v1 — большая языковая модель NVIDIA для рассуждений, диалогов и выполнения инструкций. Это плотный авторегрессионный Transformer-декодер, созданный на основе Meta Llama-3.1-405B-Instruct с применением Neural Architecture Search: структура блоков изменена для сокращения памяти и ускорения инференса. В README указано 253 млрд параметров; метаданные каталога оценивают общий размер в 697,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для чат-ботов, агентных систем, RAG, вызова инструментов и общих задач по инструкциям, включая математику, программирование и рассуждения. Она рассчитана прежде всего на английский язык; README также заявляет поддержку немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Модель оптимизирована по соотношению качества и эффективности и, по README, может использоваться коммерчески. Метаданные указывают лицензию «other», поэтому перед использованием следует проверить условия лицензии в карточке модели.

NVIDIA Nemotron-3-Ultra-550B-A55B-BF16 — крупная языковая модель NVIDIA для диалогов, рассуждений и агентных приложений. Она предназначена для разработчиков систем с ИИ-агентами, чат-ботов и RAG-приложений, а также для анализа больших документов и кодовых баз, сложного следования инструкциям и задач по математике и науке. Модель содержит 550 млрд параметров, из которых 55 млрд активируются при обработке токена. Архитектура LatentMoE объединяет слои Mamba-2, Mixture-of-Experts и внимания; Multi-Token Prediction поддерживает ускоренную генерацию. Метаданные указывают контекстное окно 262 144 токена, а README заявляет до 1 млн токенов. Поддерживаются английский, французский, испанский, итальянский, немецкий, японский, хинди, корейский, португальский и китайский языки; в метаданных также отмечен иврит. Модель предназначена для коммерческого и некоммерческого использования. В метаданных лицензия обозначена как other, поэтому перед внедрением следует свериться с условиями лицензии в карточке модели. Масштаб модели требует значительных вычислительных ресурсов; заявленная длина контекста README отличается от значения в метаданных.

AI21 Jamba Mini 1.6 — разработанная AI21 гибридная инструкционная модель семейства Jamba, сочетающая архитектуры State Space Model (Mamba) и Transformer. В модели 12 млрд активных параметров и 52 млрд параметров всего; она принимает текст и предназначена для генерации текста в диалоге, следования инструкциям, вызова функций, структурированного вывода JSON и генерации ответов с опорой на заданные источники. Контекстное окно составляет 256 тыс. токенов. Модель рассчитана на длинные контексты и деловые сценарии; для запуска README рекомендует CUDA и vLLM версии 0.6.5 или выше. Поддерживаются английский, испанский, французский, португальский, итальянский, нидерландский, немецкий, арабский и иврит. Заявленные разработчиком преимущества — скорость инференса и качество обработки длинного контекста. Модель распространяется по Jamba Open Model License, допускающей исследования и коммерческое использование на её условиях.

Granite-4.0-H-350M — компактная инструктивная языковая модель команды Granite компании IBM, дообученная на основе ibm-granite/granite-4.0-h-350m-base с применением контролируемого дообучения, обучения с подкреплением и слияния моделей. Это плотная decoder-only архитектура GraniteMoeHybrid с GQA, Mamba2, SwiGLU, RMSNorm и общими входными и выходными эмбеддингами; модель содержит 278,4 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов, локального и периферийного развёртывания, исследовательских сценариев и дообучения под специализированные задачи. Она умеет суммировать и извлекать текст, классифицировать, отвечать на вопросы, поддерживать RAG, выполнять задачи с кодом и вызовом функций, включая дополнение кода FIM. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Компактный размер упрощает запуск на устройствах и адаптацию под узкие задачи. При этом качество на языках помимо английского может быть ниже; ответы также могут содержать ошибки, предвзятость или небезопасный контент. Лицензия — Apache 2.0.