I.1Поиск и навигация по информации

severinsimmler/xlm-roberta-longformer-base-16384 — версия модели hyperonym/xlm-roberta-longformer-base-16384 в формате PyTorch, опубликованная без изменений исходных весов. Это мультиязычный Longformer, инициализированный весами XLM-RoBERTa без дополнительного предварительного обучения; модель предназначена для дообучения под конкретные задачи и извлечения признаков из текста. Она содержит 305,2 млн параметров и поддерживает контекст до 16 386 токенов. Модель подходит для анализа длинных документов на разных языках, когда требуется получить контекстные представления текста. Репозиторий использует форматы PyTorch и Safetensors и распространяется по лицензии MIT. Карточка не сообщает результатов оценки качества на прикладных задачах; для целевого применения потребуется дообучение.

Yi-34B-200K-DARE-megamerge-v8 — языковая модель на 33,9 млрд параметров, созданная brucethemoose слиянием нескольких моделей Yi 34B 200K методом DARE TIES с помощью mergekit. Дополнительного дообучения при создании слияния не проводилось. Модель предназначена для генерации текста, диалогов и работы с длинным контекстом; автор ориентировал её на качество при контексте от 32 тысяч токенов. Максимальный заявленный нативный контекст — 200 000 токенов. В карточке приведён шаблон Orca-Vicuna; также может работать с ChatML и форматами, похожими на Alpaca. Автор отмечает, что подбор параметров генерации важен: рекомендует низкую температуру и MinP от 0,1, поскольку модель склонна к чрезмерно случайным ответам. Успешность слияния и смещения весов в пользу формата Vicuna автор обозначает как экспериментальную. Модель поддерживает английский язык. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

google/bert_uncased_L-4_H-768_A-12 — компактная англоязычная модель BERT, выпущенная Google в составе набора BERT Miniatures и описанная в исследовании о предварительном обучении компактных моделей. Это плотный Transformer-энкодер с 4 слоями, скрытым размером 768 и 12 головами внимания; в модели около 61,2 млн параметров, она принимает последовательности длиной до 512 токенов. Модель обучена для английского языка без учёта регистра с WordPiece-маскированием и доступна в форматах PyTorch и Flax. Она предназначена для задач понимания текста и дообучения под конкретные задачи, например классификацию предложений и оценку сходства. По сравнению с крупными вариантами BERT она требует меньше вычислительных ресурсов; авторы отмечают, что особенно эффективна при дистилляции с метками от более крупной модели-учителя. Это базовый энкодер, поэтому для прикладной задачи обычно требуется подходящая голова и дообучение. Лицензия — Apache-2.0.

zeromodels подготовили конверсию CLIP ViT-L/14 с входным разрешением 336 пикселей в формате Keras 3. Модель использует два энкодера — для изображений и текста — которые сопоставляют данные в общем пространстве представлений; веса основаны на openai/clip-vit-large-patch14-336. Модель предназначена для классификации изображений по текстовым категориям, заданным во время выполнения, без отдельного обучения. Её также можно использовать для поиска соответствий между изображениями и текстом и получения эмбеддингов. Реализация Keras 3 работает с TensorFlow, PyTorch и JAX; для инференса подаются изображения и текстовые запросы. Репозиторий распространяется по лицензии MIT. Это конверсия базовой модели, поэтому заявленные возможности и ограничения следуют CLIP ViT-L/14-336; README отсылает за подробностями к карточке исходной модели.

Dialog2Flow joint target model — англоязычная модель на базе BERT-base, представленная Sergio Burdisso и соавторами в работе Dialog2Flow на конференции EMNLP 2024. Это модель Sentence-Transformers, дообученная для получения плотных векторных представлений предложений и абзацев: она отображает текст в пространство размерности 768 и предназначена для извлечения структуры потока диалога. Модель можно применять для поиска и кластеризации реплик, а также для извлечения потока диалога по смысловому сходству. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на данных DialogStudio и dialog2flow-dataset с контрастивной функцией потерь. Веса опубликованы в формате safetensors. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении её условий. Модель предназначена для английского языка; качество на других языках в карточке не подтверждено.

gliner-community/gliner_medium-v2.5 — мультиязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Ihor Stepanov, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный энкодер на основе трансформера BERT и позволяет извлекать сущности типов, заданных пользователем, вместо работы только с фиксированным набором классов. Модель предназначена для разметки текста и извлечения сущностей в сценариях, где нужна гибкость NER при меньших вычислительных затратах, чем у крупных языковых моделей. Для работы используется библиотека GLiNER; модель публикуется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

jina-embeddings-v5-text-small-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI и предназначенная прежде всего для задач классификации текста. Она создана на базе jina-embeddings-v5-text-small с применением дистилляции и task-specific contrastive losses, что ориентировано на высокое качество при небольшом размере. Модель может использоваться для классификации документов, маршрутизации обращений, анализа отзывов и других сценариев, где текстовые представления подаются в последующий классификатор. Модель содержит 677 млн параметров, поддерживает последовательности длиной до 32 768 токенов и формирует эмбеддинги размерностью 1024. Используется pooling по последнему токену; доступны Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, позволяющие выбирать компромисс между качеством и затратами на хранение или вычисления. К сильным сторонам относятся компактность, мультиязычность, поддержка длинного контекста и оптимизация под классификационные задачи. README не приводит конкретный перечень языков и подробные количественные результаты бенчмарков, поэтому сравнение качества для отдельных языков и сценариев требует дополнительной проверки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая запрет коммерческого применения.

Kara-Kumru-v1.0-2B — турецкоязычная языковая модель, созданная дообучением VNGRS AI модели vngrs-ai/Kumru-2B. Это плотный decoder-only трансформер семейства Mistral с 2,4 млрд параметров и контекстом 8192 токена; модель распространяется в формате safetensors и рассчитана на диалоговую генерацию текста. Модель оптимизирована для ответов на вопросы, извлечения информации, суммаризации и перевода с турецкого на английский, а также для общей генерации текста на турецком языке. В заявленной оценке на Cetvel она улучшила результаты базовой модели по генеративным задачам, включая QA и суммаризацию, но показала снижение качества на некоторых классификационных задачах, NLI и коррекции грамматики. Сопоставление с другими моделями в README частично использует результаты из разных оценочных конвейеров, поэтому рейтинговые сравнения следует трактовать с осторожностью. Модель выпущена под лицензией Apache-2.0. README сообщает о полном дообучении в BF16 и описывает сценарии локального развёртывания, однако фактические требования зависят от используемой версии и оборудования.

lid-neural-25.2 — модель определения языка от olaverse, дообученная на базе xlm-roberta-base как классификатор последовательностей. Она предназначена для коротких текстов длиной до 128 токенов: вопросов, поисковых запросов, сообщений чата и других коротких пользовательских вводов. Модель распознаёт 25 языков, включая русский, английский, французский, хинди, японский и зулу; размер по метаданным — 305,2 млн параметров. Данные README приводят оценку точности 98,2% на коротких текстах.

Dampfinchen/Llama-3-8B-Ultra-Instruct — объединённая модель на базе Llama 3 8B, созданная Dampfinchen с помощью mergekit и метода DARE TIES. В состав слияния вошли инструкционная Llama 3, модели для диалогов и ролевых сценариев, Bagel, модель с немецкоязычными возможностями и OpenBioLLM. В репозитории указаны 7,5 млрд параметров, архитектура LlamaForCausalLM, формат safetensors, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста общего назначения, в том числе для ответов на вопросы, поддержки RAG и ролевого общения. В README заявлены усиленные знания по биологии и медицине, немецкоязычные возможности и поддержка vision, однако метаданные классифицируют модель как текстовую, поэтому мультимодальную поддержку нельзя считать подтверждённой. Модель объединяет компоненты с uncensored-ролевой настройкой и может выдавать вредные или недостоверные ответы; медицинские сведения требуют проверки. Лицензия — Llama 3 License.

Llama-3-Groq-8B-Tool-Use-GGUF — набор GGUF-квантизированных версий модели Llama-3-Groq-8B-Tool-Use, разработанной Groq на базе Llama 3. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста на английском языке, включая сценарии tool use и function calling, где требуется взаимодействие с внешними инструментами или API. Это текстовая модель без заявленной поддержки изображений или других модальностей. Модель содержит около 8 млрд параметров и распространяется в вариантах от F32 до Q2_K и IQ2_M с размером файлов примерно от 2,95 до 32,13 ГБ. Доступны различные уровни квантизации, включая рекомендуемые Q4, Q5 и Q6, позволяющие выбирать баланс между качеством и требованиями к оперативной памяти. Для запуска предлагается использовать llama.cpp или LM Studio; README также указывает специальный формат промпта с ролями system, user и assistant и служебными токенами Llama 3. Размер контекста в предоставленных данных не указан. Сильными сторонами являются специализация на использовании инструментов, широкий выбор квантизированных вариантов и возможность локального запуска. Более агрессивная квантизация уменьшает требования к памяти, но может снижать качество ответов; варианты с низким битрейтом прямо характеризуются как низкокачественные или не рекомендуемые. Лицензия указана как llama3.

Llama-3-Typhoon-1.5X-8B-instruct — разговорная языковая модель SCB 10X Typhoon Team для генерации ответов по инструкциям на тайском и английском языках. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и использует шаблон чата Llama 3. Модель создана методом редактирования весов task arithmetic на основе Typhoon 1.5 8B и Llama 3 8B Instruct. Она предназначена для диалоговых приложений, генерации с ограничениями, рассуждений и сценариев RAG. В README приведены оценки на ThaiExam, MMLU, MT-Bench и IFEval; авторы сообщают о конкурентных результатах, особенно для тайского языка. Авторы называют модель экспериментальной и предупреждают, что она не полностью оценена для всех сценариев; перед применением разработчикам следует учитывать риски конкретного приложения. Лицензия — Llama 3 Community License. Для использования указана Transformers версии 4.38.0 или новее.

Llama-PLLuM-70B-instruct-2508 — большая языковая модель семейства PLLuM, разработанная консорциумом PLLuM и продолжаемая альянсом HIVE AI для польского и других славянских и балтийских языков. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, настроенная на выполнение инструкций; она поддерживает диалог и генерирует текст. Родительская модель — Llama-PLLuM-70B-base, лицензия — Llama 3.1. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и создания специализированных помощников. Особое внимание уделено польскому языку и сценариям польской государственной администрации, включая юридические и бюрократические темы; для ответов по конкретным документам рекомендуется использовать её вместе с поиском по источникам. Заявленный контекст составляет 131 072 токена. В обучении использовались польские, другие славянские и балтийские языки, а также английский. Модель обучалась на корпусах, актуальных примерно до осени 2024 года, поэтому она может не знать более поздних событий. Она может выдавать фактически неверные ответы, а также сохранять смещения, особенно по спорным и субъективным темам; длинный контекст может требовать значительных ресурсов памяти. Использование регулируется лицензией Llama 3.1.

LinkTransformer — модель на основе sentence-transformers, разработанная исследователями Harvard для связывания и сопоставления записей. Она дообучена на multi-qa-mpnet-base-dot-v1 на данных, полученных при сопоставлении классификаций товаров статистики ООН, и рассчитана прежде всего на поиск соответствий между вариантами описаний товаров. Модель использует архитектуру MPNet с 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Контекст составляет до 514 токенов по метаданным; в конфигурации README указана максимальная длина последовательности 512 токенов. Основной язык — английский. В LinkTransformer модель предназначена для кластеризации, удаления дублей, связывания и агрегирования записей; её также можно применять для семантического поиска и других задач сходства предложений. Модель специализирована на сопоставлении товарных описаний и может хуже работать на текстах и предметных областях, отличных от данных обучения. Лицензия в предоставленных материалах не указана.

Модель LinkTransformer разработана для сопоставления записей и сущностей с помощью текстовых эмбеддингов. Она дообучена авторами LinkTransformer на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и адаптирована для связывания товаров с промышленными классификациями ISIC по данным соответствий продуктовых классификаций статистики ООН. Архитектура — XLM-RoBERTa с mean pooling; модель содержит 305,2 млн параметров и преобразует текст в плотные векторы размерности 768. Максимальная длина последовательности в конфигурации README — 128 токенов, а нативный контекст по метаданным — 514 токенов. Основные сценарии — сопоставление товаров и промышленных категорий, связывание записей, дедупликация и кластеризация. Эмбеддинги также подходят для семантического поиска и других задач сходства предложений в Sentence Transformers. В карточке заявлена предобученная поддержка английского, французского и испанского языков. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

winglian/Meta-Llama-3-8B-1M — слитая модель на базе Llama 3 8B, созданная объединением исходной модели с LoRA-адаптером от инструкционной модели Gradient AI с контекстом 1M токенов. Это плотная авторегрессионная языковая модель класса LlamaForCausalLM с 7,5 млрд параметров, предназначенная для генерации текста и работы с длинным контекстом. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации продолжений и ответов на запросы с большим объёмом текста в контексте. README не сообщает сведения о поддерживаемых языках или конкретных оценках качества. Лицензия в предоставленных данных не указана.

Metis-0.4 — диалоговая текстовая модель семейства Mistral, разработанная Mihaiii. Она предназначена для рассуждений и понимания текста, особенно в сценариях с длинными системными инструкциями; модель не рассчитана на универсальную генерацию, например на сочинение историй. В README указано, что веса получены слиянием Metis-0.3 и Metis-0.1 с помощью mergekit, причём Metis-0.1 использовалась как базовая модель. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Для работы передайте системное сообщение, затем запрос. Модель обучена на частном наборе данных. Лицензия — Apache-2.0; качество за пределами задач рассуждения и понимания текста может быть ограничено.

Это быстрая модель распознавания именованных сущностей на английском языке, поставляемая вместе с библиотекой Flair. Она использует эмбеддинги Flair и архитектуру LSTM-CRF, обучена для четырёх классов сущностей на CoNLL-2003 и показывает F1 92,92 на исправленной версии этого набора данных. Модель подходит для извлечения из английского текста имён людей, географических названий, организаций и ещё одного класса разметки, не раскрытого в доступной части карточки. Её можно применять для разметки документов и предварительной обработки текста в конвейерах NLP через Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Это быстрая модель распознавания именованных сущностей на английском языке, распространяемая вместе с библиотекой Flair. Она размечает текст 18 типами сущностей OntoNotes, включая даты, числовые значения и события, и предназначена для извлечения структурированной информации из английских текстов. Модель построена на эмбеддингах Flair и архитектуре LSTM-CRF; для работы используется формат PyTorch. В README указан результат F1 89,3 на OntoNotes. Модель можно применять через Flair для автоматической разметки текста. Условия лицензии в предоставленных данных не указаны.

Это крупная модель распознавания именованных сущностей для немецкого языка, входящая в библиотеку Flair. Она размечает текст четырьмя классами сущностей: именами людей, географическими названиями, организациями и ещё одним классом, который в карточке не раскрыт. Модель основана на контекстных представлениях XLM-R на уровне документа и архитектуре FLERT; для неё заявлен F1-score 92,31 на пересмотренной немецкой версии CoNLL-03. Модель предназначена для извлечения именованных сущностей из немецких текстов и может использоваться в конвейерах обработки документов, новостей и других текстовых материалов. В метаданных указан формат PyTorch и лицензия не приведена. Результат зависит от соответствия входных текстов немецкому языку и домену обучающей выборки CoNLL-03; карточка также не раскрывает значение четвёртого тега.

grounded-ai/phi4-r1-guard — языковая модель, разработанная Jlonge4 и дообученная на unsloth/phi-4-bnb-4bit с использованием Unsloth и TRL. Она предназначена для оценки текстов: выявляет токсичность, проверяет ответы на галлюцинации по эталонному материалу и оценивает релевантность найденного контекста запросу в RAG-сценариях. Модель имеет 14,1 млрд параметров, архитектуру LlamaForCausalLM и контекстное окно 16 384 токена. Принимает текст и выдаёт объяснение решения с бинарной классификацией: toxic/non-toxic, yes/no или relevant/unrelated. В карточке заявлена поддержка английского языка. Модель выпущена под лицензией Apache-2.0. Её оценки и объяснения могут ошибаться; проверки галлюцинаций зависят от качества эталонного материала, а классификацию следует валидировать на данных целевого применения.

QuCo-extractor-0.5B — компактная модель извлечения сущностей и отношений, разработанная для системы QuCo-RAG. Она дообучена на Qwen2.5-0.5B-Instruct и извлекает из предложений триплеты знаний вида «сущность — отношение — сущность». Модель предназначена для подготовки данных о связях между сущностями в корпусе, чтобы оценивать неопределённость и динамически подключать поиск в системах Retrieval-Augmented Generation (RAG). Это плотная причинная языковая модель семейства Qwen2 с 494 млн параметров, работающая с текстом и контекстом до 32 768 токенов. В карточке указана лицензия other; конкретные условия использования по этим данным установить нельзя. Качество извлечения, поддерживаемые языки и известные ограничения в карточке не описаны.

dealignai подготовила модель Qwen3.6-27B-JANG_4M-CRACK на базе Qwen/Qwen3.6-27B. Это плотная мультимодальная модель на 27 млрд параметров с гибридной архитектурой линейного и полного внимания, предназначенная для диалога, рассуждений, работы с инструментами, изображениями и видео. Модель поддерживает английский и китайский языки, а режим рассуждений можно включать или отключать через шаблон чата. Веса обработаны методом CRACK, который, согласно карточке, удаляет усвоенные шаблоны отказа, и квантованы в формате JANG v2 с профилем 4M: слои внимания используют 8-битную точность, а MLP- и SSM-слои — 4-битную; средняя точность указана как 4,45 бита. Размер весов составляет около 16 ГБ. Для запуска нужны Apple Silicon и не менее 24 ГБ объединённой памяти; в карточке рекомендованы vMLX или jang-tools. Лицензия — Apache-2.0. Модель рассчитана на сценарии общего ассистента, включая ответы на вопросы, анализ изображений и видео, рассуждения и вызов инструментов. Карточка приводит результаты MMLU-200 и HarmBench-320, однако это самоотчёт разработчика. Удаление отказов означает, что модель может выдавать опасный или иной чувствительный контент; квантование также может влиять на точность относительно базовой модели.

merve/rfdetr-docvqa-media3-trainval-agree2-medium — дообученная модель обнаружения объектов на базе Roboflow/rf-detr-medium. Она принимает изображения и находит объекты, возвращая их категории и локализацию. По метрикам README модель оценивалась на категориях Chart, Image и Signature; качество различается между категориями, а показатели для малых объектов приведены как −1.0, поэтому применение к ним не подтверждено. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Veritone/siglip2-so400m-patch14-384-vision — урезанная копия визуальной башни SigLIP 2 So400m, разработанной Google. Она кодирует изображения и видеокадры в общее пространство эмбеддингов SigLIP 2 и предназначена для загрузки отдельно от текстовой башни, например при индексации, что позволяет сократить расход памяти и время загрузки. Текстовая башня для работы с текстовыми запросами размещена в Veritone/siglip2-so400m-patch14-384-text. Модель подходит для классификации изображений по кандидатным текстовым меткам без отдельного обучения, поиска изображений по тексту и использования в качестве визуального энкодера для vision-language моделей. SigLIP 2 улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Это модель семейства SigLIP с архитектурой SiglipModel; файлы представлены в формате safetensors. Лицензия — Apache-2.0. Для retrieval сценариев эта репозитория содержит только визуальную часть, поэтому требуется отдельная совместимая текстовая башня.

BharatGPT-3B-Indic — языковая модель CoRover.ai, дообученная для генерации текста на индийских языках. Она предназначена для перевода, суммаризации, продолжения текста и диалоговых сценариев, в том числе для систем S-RAG, где ответы опираются на собственную базу знаний. Модель работает с хинди, пенджаби, маратхи, малаялам, ория, каннада, гуджарати, бенгальским, урду, тамильским и телугу; в метаданных также указан английский. Для загрузки используется Transformers, веса опубликованы в формате safetensors. Разработчик рекомендует дообучать модель на собственных данных или использовать её с поиском по документам, а не как самостоятельного чат-бота: знания модели могут быть устаревшими. В README приведены результаты оценки на многоязычных тестах и RAG-сценариях, однако они не заменяют проверку на данных конкретного применения. Указана лицензия для некоммерческого использования и академических исследований; для коммерческого применения требуется обратиться к CoRover.ai.

tasksource/deberta-small-long-nli — англоязычная модель Tasksource, созданная дообучением DeBERTa-v3-small на задачах естественного языкового вывода. Архитектура DeBERTa V2 для классификации последовательностей содержит около 155 млн параметров и поддерживает контекст до 1680 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Модель предназначена для классификации по произвольным меткам через zero-shot-подход на основе NLI, определения логического следования между текстами и дообучения для классификаторов и других задач понимания текста. Среди обучающих данных — наборы NLI, логического рассуждения, проверки фактов и предпочтений; для длинных задач NLI увеличивали долю примеров при обучении. Карточка приводит результаты проверок на нескольких задачах, но не гарантирует качество для конкретного применения. Основной язык модели — английский. Она принимает текстовые последовательности и выдаёт оценки классов или отношений следования. Контекст длиннее, чем у стандартной версии DeBERTa-v3-small, но ограничен 1680 токенами. Результаты zero-shot классификации зависят от формулировки текста и меток; языки, кроме английского, в карточке не заявлены.

Это версия модели dslim/bert-base-NER, преобразованная в формат OpenVINO для ускоренного инференса. Модель разработана на основе BERT и предназначена для распознавания именованных сущностей в тексте с классификацией токенов; размер составляет 135,5 млн параметров, контекст — до 512 токенов. В карточке заявлена поддержка английского языка. Модель можно использовать для извлечения сущностей из английских текстов, например имён людей, организаций и географических названий. OpenVINO упрощает ускоренный запуск на совместимом оборудовании. Условия лицензии в предоставленных данных не описаны.

EM German Mistral v01 — дообученная модель семейства EM German, разработанная jphme на архитектуре Mistral. Она обучена на большом наборе инструкций на немецком языке и предназначена для понимания запросов, генерации текста и диалогового взаимодействия на немецком. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для немецкоязычных диалоговых помощников, генерации текстов и ответов на вопросы, в том числе по RAG-шаблону. README указывает формат prompt Vicuna. Веса опубликованы в safetensors для Transformers; лицензия — Apache-2.0. Автор рекомендует обновлять библиотеки при проблемах с поддержкой архитектуры Mistral и отмечает, что результаты могут различаться между версиями и сценариями использования.