I.1Поиск и навигация по информации

Это текстовая инструкционная модель LFM2.5-1.2B-Instruct, изменённая Ричардом Янгом с помощью Heretic: из неё удалено направление активаций, связанное с отказами, без переобучения. Модель имеет плотную гибридную архитектуру с блоками свёртки и внимания и предназначена для локального запуска на устройствах с ограниченными ресурсами. В метаданных указано 1,5 млрд параметров и контекст до 128 000 токенов; карточка базовой модели приводит 1,17 млрд параметров и контекст 32 768 токенов. Модель подходит для диалога, творческого письма, учебных экспериментов с выравниванием и локального выполнения инструкций, которым исходная модель могла отказать. В карточке приведён результат теста отказов: 3 из 100 запросов против 98 из 100 у исходной модели; это не гарантирует поведение на других запросах. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой репозитория.

llm-jp-3-13b-instruct — инструкция-настроенная языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии; разработка частично поддержана GENIAC. Это плотная Transformer-модель семейства Llama с архитектурой LlamaForCausalLM, примерно 13,2 млрд параметров и контекстом 4096 токенов. Модель обучалась на смеси данных, включающей японские источники, а затем дообучалась на наборах инструкций, в том числе вручную составленных японских инструкциях. Модель предназначена для диалогов и выполнения инструкций: она может отвечать на вопросы, помогать с письмом, рассуждениями, извлечением информации и задачами на японском языке. В README приведена оценка Japanese MT Bench для версии 13B instruct; это ориентир по набору тестов, а не гарантия качества в конкретном применении. Метаданные также указывают английский и японский языки. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного соответствия намерениям человека и требованиям безопасности. Для распространения указана лицензия Apache-2.0.

stefra/modernbert-large-unical — модель архитектуры UNICAL на базе дообученного двунаправленного энкодера answerdotai/ModernBERT-large. Она принимает текстовое состояние и один или несколько утверждений и оценивает вероятность истинности каждого из них. Модель предназначена для быстрой проверки семантических условий и может служить заменой sem_filter; это классификатор, а не генеративная модель. Утверждения обрабатываются в одной последовательности с общим текстом состояния, а блочная двунаправленная маска внимания позволяет оценивать их независимо: оценка утверждения совпадает с оценкой при отдельной обработке. Для использования предусмотрены Transformers и пакет unical. В README приведены результаты проверок на нескольких наборах данных, включая задачи, не встречавшиеся при обучении; метрики различаются между наборами, поэтому качество следует проверять на целевых данных. Модель распространяется в формате safetensors; для загрузки пользовательского кода архитектуры в Transformers требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

Moritz Laurer дообучил англоязычный энкодер answerdotai/ModernBERT-large на той же смеси данных, что и модели коллекции Zeroshot Classifiers Collection версии zeroshot-v2.0. Модель предназначена для классификации текста по заданным меткам в режиме zero-shot: пользователь задаёт текст и варианты категорий, а модель оценивает их применимость. В Hugging Face она опубликована как модель text-classification с архитектурой ModernBertForSequenceClassification; размер составляет 394,7 млн параметров, контекст — до 8192 токенов. Доступны веса Safetensors и формат ONNX, используется библиотека Transformers. Автор отмечает высокую скорость и экономное использование памяти по сравнению с DeBERTav3, что позволяет увеличивать размер пакета; в его экспериментах bf16 давал примерно двукратное ускорение относительно fp16. В среднем на проверенных задачах качество немного уступало DeBERTav3. Модель дообучена на данных версии zeroshot-v2.0, а автор сообщал о подготовке обновлённой версии с улучшенными синтетическими данными. Лицензия — Apache-2.0.

Это модель распознавания именованных сущностей на базе RoBERTa-large, дообученная разработчиками T-NER на наборе данных CoNLL-2003. Она размечает токены в тексте, выделяя упоминания людей, организаций, мест и другие сущности. Модель подходит для извлечения сущностей из новостей и других текстов на английском языке, а также для построения конвейеров NER через библиотеку T-NER. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и поддерживает контекст до 514 токенов. На тестовой выборке CoNLL-2003 указана микро F1 0,925; лучший результат среди приведённых категорий — для персон, слабее всего модель справляется с категорией «прочее». Для запуска рекомендуется библиотека T-NER: при использовании Transformers слой CRF не поддерживается. Лицензия в доступных данных не указана.

UDOP-large — модель для обработки документов, предложенная Зинэном Таном, Цзыи Янгом и соавторами в работе «Unifying Vision, Text, and Layout for Universal Document Processing». Она использует плотную архитектуру encoder-decoder Transformer на основе T5; в чекпойнте 386,3 млн параметров. Модель принимает изображение документа вместе с текстом и генерирует текстовый ответ. Она предназначена для классификации изображений документов, разбора документов и визуальных вопросов и ответов по документам (DocVQA). Поддержка изображения и текста отражена в архитектуре и задаче image-text-to-text. Модель распространяется под лицензией MIT. README не приводит конкретных ограничений точности или покрытия языков; результаты могут зависеть от типа документа и языка.

Bellatrix-Tiny-1B-v2 — авторегрессионная языковая модель семейства Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, имеет контекстное окно до 131 072 токенов и предназначена для генерации текста и диалогов. В репозитории доступны веса в форматах Safetensors и ONNX; README описывает настройку с помощью supervised fine-tuning и обучение на синтетических данных для рассуждений. Модель рассчитана на многоязычные диалоги, следование инструкциям, суммаризацию и сценарии поиска релевантных сведений в диалоге. Карточка приводит английский язык, но заявляет многоязычное применение без перечисления остальных языков. По словам автора, модель использует оптимизированную архитектуру Transformer; её компактный размер подходит для локального запуска, хотя ресурсоёмкость обучения и вывода зависит от оборудования. Качество может снижаться на узкоспециализированных задачах, редких языках и диалектах, а ответы могут содержать ошибки или смещения из обучающих данных. Лицензия — Llama 3.2 Community License (идентификатор llama3.2); перед использованием следует учитывать её условия.

dslim/bert-base-NER-uncased — модель токенной классификации на архитектуре BERT, опубликованная dslim на Hugging Face. Она предназначена для распознавания именованных сущностей в англоязычном тексте: в частности, персон, организаций, географических названий и сущностей категории MISC. Модель основана на BERT base uncased и дообучена для NER; содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она возвращает метки для токенов, поэтому подходит для извлечения сущностей из предложений и документов. Доступны веса PyTorch, TensorFlow, JAX и safetensors. Модель ориентирована на английский язык и не является универсальной многоязычной NER-системой. Лицензия — MIT.

DeepSeek-VL-Hybrid — мультимодальная модель для понимания изображений и текста, разработанная командой DeepSeek AI. Она принимает изображения и текстовые запросы и формирует текстовые ответы в диалоговом режиме. В архитектуре используется языковая модель на основе LLaMA, SigLIP для обработки изображений низкого разрешения и SAM для изображений высокого разрешения. Модель рассчитана на практические визуально-языковые сценарии, включая анализ скриншотов, PDF, OCR, диаграмм и содержимого, требующего визуальных деталей; заявлена обработка изображений размером до 1024 × 1024 пикселей. В карточке указана версия 7B, однако конкретное число параметров этой копии не приведено. Модель подходит для вопросов об изображениях, извлечения и объяснения визуальной информации, а также работы с документами и графиками. Она требует вычислительных ресурсов для мультимодальной модели и может ошибаться в распознавании мелких деталей или содержимого изображения. Указана лицензия DeepSeek; метаданные Hugging Face классифицируют её как other, поэтому точные условия следует сверить с текстом лицензии репозитория.

Moritz Laurer опубликовал мультиязычную модель классификации последовательностей на архитектуре ERNIE-M с 658,7 млн параметров. Она дообучена для вывода о естественном языке (NLI) на данных XNLI и английского MNLI и подходит для классификации текстов по заданным пользователем категориям без отдельного обучения на этих категориях. Модель сравнивает посылку и гипотезу, определяя, следует ли гипотеза из текста, противоречит ему или не связана с ним. Это позволяет классифицировать тексты по кандидатным меткам и выполнять NLI на многих языках. README сообщает о поддержке 100 языков; оценки приведены для 15 языков XNLI, а для остальных качество может быть ниже. Максимальная длина контекста — 514 токенов. Модель основана на ERNIE-M от Baidu, предварительно обученной на основе RoBERTa на многоязычном корпусе CC100. В README отмечено, что она превосходит RoBERTa сопоставимого размера. Доступны веса PyTorch и safetensors; лицензия — Apache-2.0. К ограничениям относятся возможное снижение качества на языках вне оценки XNLI и потенциальные смещения, связанные с данными NLI. Для архитектуры требуется Transformers версии 4.27 или новее.

Gravity 30B-A5B RL — дообученная Trillion Labs модель семейства DeepSeek V3, настроенная для многошагового использования инструментов в диалогах. Это MoE-модель с 30 млрд параметров и примерно 5 млрд активных параметров; README указывает 64 эксперта с выбором top-8 и MLA-внимание. Модель принимает текст и генерирует текст, включая ответы в чате и вызовы инструментов через соответствующий интерфейс. Заявленное контекстное окно — 131 072 токена. В тесте BFCL v3 модель получила в среднем 73,11% точности на живых задачах и 30,25% на многошаговой части; результаты LAB-Bench не показывают измеримого изменения относительно базовой модели. Для корректного обслуживания автор рекомендует использовать полный контекст и специальные парсеры вызовов инструментов и рассуждений. Модель распространяется по лицензии Apache-2.0.

h2ogpt-4096-llama2-70b-chat — чат-модель для генерации текста, созданная H2O.ai как клон Meta Llama 2 70B Chat. Она предназначена для диалога с пользователем и сравнения ответов языковых моделей; также её можно использовать для общения с документами в приложении h2oGPT. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 68,7 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст длиной до 4096 токенов. Веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии Llama 2. Карточка не описывает отдельные результаты оценки качества или специальные ограничения применения.

Horus-1.0-4B — многоязычная языковая модель TokenAI, разработанная Ассемом Сабри. Это плотная авторегрессионная модель семейства Llama с 3,7 млрд параметров, доступная в формате Safetensors и распространяемая по лицензии MIT. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена для диалогового помощника, учебных вопросов на арабском и английском, генерации и анализа культурного контента, базовой помощи с кодом, извлечения сведений из документов и логических задач. Разработчик заявляет особый акцент на арабском языке и культурном контексте, а также на следовании инструкциям и прозрачном обозначении идентичности модели. В карточке также упоминаются варианты GGUF, но этот репозиторий содержит Safetensors. Заявленная поддержка языков включает арабский, английский, французский, испанский, немецкий, итальянский, португальский и турецкий. README отмечает, что обучение оптимизировалось для контекста в 256 токенов, поэтому качество на более длинных входах может меняться; баланс качества между арабским и английским зависит от сложности запроса. Знания модели отражают данные примерно до начала 2024 года.

Intern-S2-Preview-397B — мультимодальная модель общего назначения, разработанная командой InternLM. Она предназначена для рассуждений, научных задач и продолжительных агентных сценариев. Модель обучали на визуальных представлениях страниц научной литературы, задачах с подкреплением из более чем 20 научных областей и интерактивных агентных средах. В карточке указано 397B в названии; архитектура обозначена как плотная, класс — InternS2PreviewForConditionalGeneration. Модель принимает текст и изображения, поддерживает диалог, вызов инструментов и режим рассуждения, включённый по умолчанию. README также описывает анализ временных рядов, включая обнаружение сейсмических событий и прогнозирование; для такого ввода указана поддержка только в LMDeploy. В текстовых тестах использовалась длина инференса до 256K токенов, а в мультимодальных — до 64K. Предлагаются LMDeploy, vLLM и SGLang для развёртывания. Языки модели в предоставленных данных не обозначены. Лицензия — Apache-2.0.

InternVL2-8B — мультимодальная диалоговая модель с настройкой по инструкциям, разработанная командой OpenGVLab и входящая в семейство InternVL 2.0. Вариант содержит около 8,1 млрд параметров и построен из визуального энкодера InternViT-300M-448px, MLP-проектора и языковой модели internlm2_5-7b-chat; в метаданных указана архитектура InternVLChatModel и библиотека Transformers. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для диалога по изображениям, понимания документов, диаграмм и инфографики, распознавания текста на изображениях, решения визуальных научных и математических задач, а также анализа нескольких изображений и видеокадров. README указывает контекстное окно 8 тысяч токенов и обучение на длинных текстах, нескольких изображениях и видео; языковые коды отдельных языков в карточке не перечислены, указана мультиязычность. Разработчики сообщают о конкурентных результатах в задачах понимания изображений и видео, включая OCR и ответы на вопросы по документам и диаграммам. Репозиторий распространяется по лицензии MIT. Оценки в README получены на конкретных бенчмарках и настройках, поэтому сами по себе не гарантируют точность на произвольных данных; обработка видео описана через извлечение кадров.

Jan-v2-VL-f32-AIO-GGUF — GGUF-сборка 8-миллиардной vision-language модели Jan-v2-VL, разработанной командой JanHQ. Модель предназначена для взаимодействия с визуальными и текстовыми данными, а также для выполнения многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Модель сочетает языковое рассуждение с визуальным восприятием, поддерживает анализ скриншотов, заземление элементов интерфейса и вызов инструментов. Она рассчитана на агентную автоматизацию, управление пользовательским интерфейсом, следование сложным инструкциям, сохранение промежуточного состояния и восстановление после незначительных ошибок. Заявлен английский язык, однако сведения о размере контекста и точной архитектуре в README не указаны. Доступны варианты low, med и high: low ориентирован на эффективность и меньшую задержку, med предлагает баланс качества и скорости, а high использует более глубокое рассуждение и требует больше времени на обработку. Сильными сторонами являются работа с визуально-текстовыми сценариями, устойчивое пошаговое выполнение длинных последовательностей и возможность локального запуска через vLLM и llama.cpp. Ограничениями являются отсутствие в README подробных метрик, данных о контекстном окне и гарантий качества за пределами заявленных сценариев, а также повышенные требования к ресурсам для полноразмерных F32-файлов. Модель распространяется по лицензии Apache-2.0.

Eraly-ml/KazBERT-Duplicates — модель на основе BERT, дообученная разработчиком Eraly-ml на KazBERT для классификации пар предложений на казахском языке. Она определяет, являются ли предложения точными, частичными, смысловыми или контекстными дубликатами, и подходит для поиска повторов, проверки текстов на плагиат и предварительной очистки корпусов. В метаданных указаны 137,8 млн параметров, контекст до 512 токенов и формат safetensors; модель доступна по лицензии Apache-2.0. В README приведены результаты оценки на отложенной выборке: точность и F1 составляют 91,05%. Модель ориентирована на казахский язык; качество может снижаться на специализированных юридических и медицинских текстах, а также на длинных или зашумлённых входах.

Карточка модели Sheraz11222333/LFM2.5-VL-3B на Hugging Face совпадает с карточкой unsloth/LFM2.5-VL-3B, поэтому описание составлено по ней. LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

MyAwesomeModel — модель из репозитория toola/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и помеченная в метаданных как BERT-модель для извлечения признаков. Её основное заявленное назначение — преобразование текста в векторные представления, пригодные для последующей классификации, поиска похожих документов и других задач анализа текста. В README также заявлены возможности рассуждения, генерации кода и текста, ответов на вопросы, диалога, суммаризации, function calling и работы с файлами и веб-поиском. Однако эти сведения не согласуются с основным pipeline-тегом feature-extraction, поэтому генеративные и диалоговые сценарии следует считать заявленными в документации, а не подтверждёнными метаданными. Размер модели, длина контекста и поддерживаемые естественные языки не указаны. Модель распространяется по лицензии MIT.

sci4ai/Qwen2.5-VL-7B-Instruct-Ablit — мультимодальная модель для диалога и анализа изображений, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель принимает текст и изображения и формирует текстовые ответы; в README также указана возможность анализа видео как характеристика базовой модели. Веса изменены методом abliteration: из текстового декодера удалено одно направление отказа, вычисленное по активациям на вредоносных и безвредных текстовых запросах. Визуальный энкодер не менялся, поэтому авторы сообщают о сохранении возможностей понимания изображений. Модель подходит для визуальных вопросов и ответов, описания изображений и извлечения сведений из документов, однако редактирование может ослабить следование инструкциям. Abliteration не добавляет новых знаний и навыков, а ответственность за безопасное применение лежит на развёртывающей стороне. Лицензия в предоставленных данных не указана.

Vixez/bert-finetuned-ner — модель на архитектуре BERT, дообученная для распознавания именованных сущностей в тексте. Она предназначена для разметки токенов и может использоваться в конвейерах извлечения сущностей из текстов. Модель содержит 12,1 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors. В карточке приведены результаты оценки: precision 1,0, recall 0,9967, F1 0,9983 и accuracy 0,9999. Датасет, набор меток и языки не описаны, поэтому результаты нельзя уверенно переносить на другие данные и сценарии. Лицензия в доступных сведениях не указана.

dbmdz/bert-large-cased-finetuned-conll03-english — модель токеновой классификации на основе BERT, разработанная dbmdz и дообученная для распознавания именованных сущностей в английском тексте. Она помечает токены и фрагменты текста сущностями, например именами людей, организаций и географическими названиями. Модель содержит около 432,3 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с максимальной длиной контекста 512 токенов. Доступны варианты весов для PyTorch, TensorFlow и Flax, а также Rust-формат. Карточка Hugging Face не содержит описания лицензии; использовать следует с учетом условий исходной модели и данных.

Chonky distilbert base (uncased) v1 — модель на архитектуре DistilBERT, разработанная автором репозитория mirth для семантического разбиения текста на связные фрагменты. Она предназначена для подготовки документов к поиску и генерации с дополненной выборкой (RAG): полученные фрагменты можно передавать в системы эмбеддингового поиска или языковые модели. Модель дообучена на DistilBERT базового размера и обучалась разделять абзацы из BookCorpus. Для работы автор предлагает библиотеку chonky. В README приведены F1 0,7, точность 0,79 и полнота 0,63; базовая модель имеет контекст до 512 токенов. Репозиторий содержит веса в формате Safetensors, библиотека для загрузки — Transformers. Модель ориентирована на английский текст и доступна по лицензии MIT. Метрики указывают на компромисс между точностью и полнотой границ сегментов; качество на других типах документов и языках в карточке не подтверждено.

YituTech/conv-bert-base — предобученная языковая модель семейства ConvBERT, опубликованная YITU Technology. Репозиторий предназначен для извлечения признаков из текста: его можно загрузить через Transformers как AutoModel или использовать с pipeline feature-extraction. Модель имеет плотную архитектуру ConvBertModel и содержит 136,7 млн параметров. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. Она принимает текст и выдаёт его векторные представления, которые можно использовать как основу для последующих NLP-задач. В карточке репозитория нет подробностей о языках обучения, специальных сценариях применения или ограничениях качества. Лицензия в предоставленных метаданных и найденной карточке не установлена.

42MARU/GenAI-llama-2-13b — языковая модель 42MARU на базе LLaMA 2, предназначенная для генерации текста и выполнения инструкций. Модель имеет плотную архитектуру LlamaForCausalLM и около 12,9 млрд параметров; она опубликована в формате PyTorch и рассчитана на контекст до 4096 токенов. Для обучения использовались датасеты в стиле Orca и Platypus. Модель подходит для диалоговых ответов и задач вопросно-ответного поиска, где запрос задаётся естественным языком. Карточка приводит результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. В метаданных указан английский язык. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя. Результаты бенчмарков не гарантируют качество в конкретных прикладных сценариях.

mergekit-community/LWM-14b-Text-Chat-1M — текстовая чат-модель семейства LLaMA, созданная сообществом с помощью mergekit. В README указано слияние методом DARE linear на основе LargeWorldModel/LWM-Text-Chat-1M; в конфигурации одна и та же базовая модель перечислена дважды с весом 1.0. Метаданные указывают 6,6 млрд параметров и контекст до 1 048 576 токенов. Модель предназначена для генерации текста и диалоговых сценариев с длинным контекстом. Она принимает текст и выдаёт текст; в метаданных указаны Transformers и формат safetensors. Язык и специализированная предметная область не обозначены. Лицензия в предоставленных данных не указана.

MiniCheck-DeBERTa-v3-Large — англоязычная модель для проверки фактической обоснованности утверждений по исходному документу, разработанная авторами работы MiniCheck: Efficient Fact-Checking of LLMs on Grounding Documents. Это дообученная для классификации последовательностей модель DeBERTa-v3-Large с 533,8 млн параметров и контекстом 512 токенов. На вход подаются документ и отдельное утверждение; модель выдаёт бинарную метку: 1, если утверждение подтверждается документом, и 0, если нет. Модель предназначена для проверки фактов в ответах языковых моделей и оценки того, насколько отдельные предложения опираются на предоставленные источники. Авторы сообщают, что на бенчмарке LLM-AggreFact она превзошла другие специализированные фактчекеры сопоставимого размера. Обучение включало данные ANLI и синтетические примеры. Модель использует PyTorch и распространяется по лицензии MIT. Проверка выполняется на уровне предложений и требует документа-основания; модель сама по себе не подтверждает утверждения с помощью внешних источников. Авторы оценивали её на реальных утверждениях без искусственно внесённых типов ошибок, поэтому результаты на таких изменённых примерах не охарактеризованы.

MyAwesomeModel — модель из репозитория Assads1SAD/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers. Согласно метаданным Hugging Face, её основная задача — извлечение признаков из входных данных, а заявленная архитектурная основа относится к семейству BERT. Модель распространяется под лицензией MIT и использует PyTorch. В README модель также описывается как обновлённая система с улучшенными рассуждениями, логическим выводом, генерацией кода, ответами на вопросы, суммаризацией, переводом и поддержкой function calling. Однако README не содержит подтверждённых сведений о размере модели, длине контекста, поддерживаемых естественных языках и точной конфигурации, а приведённые результаты представлены без описания протокола оценки. Поэтому для каталога её надёжнее классифицировать по метаданным как модель извлечения признаков.

navteca/quora-roberta-base — модель-кросс-энкодер на базе RoBERTa, обученная с помощью класса CrossEncoder из SentenceTransformers. Она принимает пару вопросов на английском языке и оценивает числом от 0 до 1 вероятность того, что вопросы являются дубликатами. Модель обучена на наборе Quora Duplicate Questions и предназначена для поиска повторяющихся вопросов, например при дедупликации пользовательских обращений или сортировке результатов по совпадению формулировок. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и поддерживает контекст до 514 токенов. Доступны веса PyTorch и Flax. Лицензия — MIT. Оценка относится именно к дублированию, а не к семантическому сходству: вопросы об изучении Java и Python могут получить низкий балл, несмотря на похожую структуру. Для сравнения длинных текстов или поиска общей тематической близости модель не предназначена.