I.1Поиск и навигация по информации

ShenaoZ выпустил чат-модель на архитектуре Mistral с 7,1 млрд параметров, дообученную методом DPO на наборе HuggingFaceH4/ultrafeedback_binarized. Она предназначена для генерации текста в диалогах и ответов на вопросы. Максимальная длина контекста составляет 32 768 токенов; модель поставляется в формате safetensors и распространяется по лицензии MIT. Карточка не содержит сведений об оценке качества или специальных ограничениях применения.

ALLaM-7B-Instruct-preview — двуязычная генеративная языковая модель, разработанная Национальным центром искусственного интеллекта при Управлении данных и искусственного интеллекта Саудовской Аравии (SDAIA). Модель обучена с нуля и настроена следовать инструкциям; её архитектура — плотный авторегрессионный Transformer семейства Llama с 6,7 млрд параметров. Репозиторий использует библиотеку Transformers и формат safetensors. Модель предназначена прежде всего для арабских языковых технологий, а также поддерживает английский. Её можно использовать как чат-ассистента для ответов на вопросы, диалога и генерации текста, а также как основу для более крупных ИИ-систем и исследований арабского языка. Контекст составляет до 4096 токенов; для работы не требуется заданный системный промпт, но его можно добавить. Модель может давать неверные или предвзятые ответы, поэтому её следует оценивать и адаптировать к конкретному применению; разработчикам систем с внешними инструментами следует предусмотреть меры безопасности. Лицензия — Apache-2.0.

Barcenas-6b-200k — дообученная языковая модель на архитектуре Llama, разработанная автором репозитория Danielbrdz. Она создана на основе larryvrh/Yi-6B-200K-Llamafied и обучена на наборе данных HuggingFaceH4/no_robots; для обучения использовалась Nvidia A100. Модель предназначена для генерации текста и диалоговых сценариев. Её размер составляет 5,8 млрд параметров, а заявленная длина контекста — до 200 000 токенов. Доступный формат весов — PyTorch; лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

Pankaj8922/bert-medium-nli — модель классификации последовательностей на базе BERT-medium, дообученная для определения логического отношения между посылкой и гипотезой: следование, нейтральность или противоречие. Разработчик позиционирует её для zero-shot-классификации текстов: к тексту добавляют гипотезу вида «This text is about {label}.», а модель оценивает их отношение. Модель содержит 49,2 млн параметров, принимает текстовые пары и выдаёт оценки трёх классов. Контекст ограничен 512 токенами, основной язык карточки — английский. В обучении использована сбалансированная выборка Pankaj8922/nli-high-quality-balanced на основе MNLI, SNLI, FEVER-NLI и ANLI; в README указаны точность 0,8373 и macro F1 0,8372 на тестовой выборке. Компактный размер подходит для быстрого вывода и ограниченных ресурсов, но качество zero-shot-классификации на новых наборах меток ниже, чем у более крупных NLI-моделей. Лицензия — Apache-2.0.

Компактная англоязычная версия BERT из семейства BERT Miniatures, опубликованная Google и описанная в работе «Well-Read Students Learn Better». Модель имеет 4 слоя Transformer, скрытый размер 128 и 2 attention-головы; в метаданных указано около 5 млн параметров и контекст до 512 токенов. Доступны веса в форматах PyTorch и Flax, лицензия Apache-2.0. Модель предназначена для задач понимания английского текста и развёртывания в условиях ограниченных вычислительных ресурсов. Её можно дообучать для конкретных задач так же, как стандартные модели BERT; авторы отмечают, что особенно полезна дистилляция, когда метки для дообучения генерирует более крупная и точная модель. Компактность снижает требования к ресурсам, но качество может уступать более крупным моделям. Модель только для английского языка, без регистра и использует WordPiece; README приводит результаты на GLUE для вариантов линейки, но не отдельную таблицу для этой конфигурации.

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

nielsr/canine-s — репозиторий с весами CANINE-S, опубликованный nielsr на Hugging Face; сама модель разработана Google и представляет собой многоязычный энкодер-трансформер для представления текста. Модель содержит 113,2 млн параметров и принимает текст на уровне символов Unicode без обычного токенизатора; при предобучении она предсказывает субсловные токены по символьному вводу. Метаданные указывают контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков и последующей тонкой настройки для задач классификации последовательностей и токенов, а также ответов на вопросы. Она обучалась на многоязычных данных Википедии для 104 языков. Это не модель для генерации текста; лицензия Apache-2.0 указана для исходной модели Google CANINE-S.

zeromodels/clip_vit_base_16 — конверсия CLIP ViT-B/16 от OpenAI в Keras 3 для библиотеки zeromodels. Модель использует парные текстовый и визуальный энкодеры, которые сопоставляют изображения и текстовые описания в общем пространстве эмбеддингов; вариант предназначен для классификации изображений без дополнительного обучения по текстовым подсказкам. Реализация работает с TensorFlow, Torch и JAX, а репозиторий содержит веса в формате TensorFlow. Модель принимает изображения и текстовые запросы при инференсе и подходит для классификации по пользовательским категориям, поиска изображений по тексту и получения совместных эмбеддингов. Для обработки рекомендуется использовать соответствующий Processor, чтобы согласовать размер изображения и токенизатор. Лицензия — MIT.

Dazzling-Star-Aurora-32b-v0.0-Experimental-1130 — текстовая разговорная модель на 32 млрд параметров, созданная автором карточки слиянием моделей EVA-Qwen2.5-32B-v0.2 и Qwen2.5-32B-ArliAI-RPMax-v1.3 на базе Qwen2.5-32B. Для объединения применён метод TIES; веса представлены в формате safetensors, а карточка описывает шаблон диалога ChatML. Модель предназначена для генерации текста в диалогах и других сценариях, где нужны ответы на запросы пользователя. Метаданные указывают контекстное окно до 131072 токенов, а также интерфейс для вызова инструментов. В карточке автор отмечает, что создал слияние как личный эксперимент и предлагает попробовать модель, но не приводит результатов оценки качества. Условия использования определяются лицензией базовой модели и компонентов слияния; в предоставленных данных лицензия не указана.

ApolloRaines/DeepSeek-R1-Distill-Qwen-7B-Desyced — текстовая генеративная модель, разработанная Apollo Raines на основе DeepSeek-R1-Distill-Qwen-7B от DeepSeek. Это версия с посттренировочной модификацией весов, направленной на снижение склонности модели соглашаться с ошибочными утверждениями пользователя под социальным давлением. Модель предназначена для генерации текста, ответов на вопросы, рассуждений и диалоговых сценариев, где важна способность сохранять корректную позицию при попытках навязать неверный ответ. Модель сохраняет архитектуру, токенизатор, контекстное окно, знания, рассуждательные и разговорные возможности базовой модели; точные значения размера контекста и другие архитектурные параметры в README не указаны. Заявленный размер — 7B параметров. Доступны полноточные файлы Safetensors, а также квантованные форматы GGUF Q8_0 и Q4_K_M для запуска через llama.cpp, Ollama и LM Studio. В метаданных указан английский язык. По результатам тестов на устойчивость к противоречивым утверждениям доля ответов, сохранявших корректную позицию под давлением, выросла с 67% до 83%. Сильная сторона модели — уменьшенная склонность к лести и некритическому согласию, что может быть полезно при проверке фактов и поддержке принятия решений. При этом README не содержит независимых оценок общей точности, качества рассуждений или безопасности, а также предупреждает, что выпущенные модели могут иметь намеренно сниженные возможности и служить демонстрацией концепции. Лицензия указана как other, то есть используется лицензия базовой модели, но её конкретные условия в README не раскрыты.

google/electra-large-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель основана на трансформере и обучена распознавать подменённые токены: она отличает исходные токены текста от искусственно сгенерированных. В репозитории представлены веса примерно на 433,9 млн параметров; максимальная длина входа — 512 токенов. Модель предназначена для извлечения контекстных представлений текста и адаптации к задачам классификации, ответов на вопросы и разметки последовательностей. Её можно применять как основу для последующего дообучения на конкретных задачах; сама карточка приводит примеры GLUE и SQuAD. Доступны версии для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

Extended-Mind-Mpt-7b-chat — модель генерации текста, разработанная Normal Computing на основе архитектуры и кода Mosaic ML. Она сохраняет исходные веса MPT-7B без дообучения и добавляет механизм внешней памяти: во время генерации модель извлекает и использует переданные ей текстовые воспоминания в виде последовательностей token ID. Это позволяет дополнять контекст диалога внешними сведениями и обновлять набор памяти между запросами. Модель предназначена для генерации ответов с опорой на внешний кэш ключей и значений; память можно передавать вручную или связывать с векторной базой данных. Качество представлений памяти зависит от stride при построении кэша: меньший шаг требует больше вычислений. Для загрузки требуется библиотека Transformers и параметр trust_remote_code=True. Модель распространяется по лицензии Apache 2.0; авторы отмечают, что это часть продолжающегося исследования Normal Computing.

Florence-2-large-TableDetection — мультимодальная модель обнаружения таблиц на изображениях, созданная ucsahin дообучением microsoft/Florence-2-large-ft на выборке ucsahin/pubtables-detection-1500-samples. Она принимает изображение и текстовый запрос и предсказывает ограничивающие рамки таблиц. Модель предназначена для автоматизации поиска таблиц в документах и изображениях перед извлечением данных или дальнейшим анализом. Модель основана на архитектуре Florence-2 и распространяется в формате safetensors. В README приведён результат Loss 0.7601 на оценочной выборке; этот показатель сам по себе не описывает точность обнаружения и зависит от протокола оценки. Лицензия — MIT. Для загрузки в Transformers README указывает необходимость trust_remote_code=True.

GLiNER2 Arabic Multi-Task — это дообученная Fastino модель GLiNER2, разработанная для извлечения сущностей и анализа арабского текста. Она содержит 287 млн параметров, использует архитектуру BoundaryExtractor и энкодер mDeBERTa-v3. Модель основана на fastino/gliner2.5-multi-v1; все четыре выходные головы дообучены на арабских данных. Веса доступны в формате safetensors по лицензии CC BY-SA 4.0. Модель принимает текст и заданные пользователем названия задач, меток или полей схемы. Она извлекает сущности и связи, классифицирует текст по одной или нескольким меткам и формирует структурированные записи, значения которых должны быть фрагментами исходного текста. Арабские и английские схемы поддерживаются; настройка охватывает арабские сущности, диалект, сарказм, тональность и некоторые отношения. Предусмотрена обработка произвольных типов сущностей в zero-shot режиме, хотя качество таких запросов зависит от типа данных и схемы. Модель предназначена для аналитики арабских обращений клиентов, публикаций в социальных сетях и новостей, включая выявление персональных данных, разметку намерений и извлечение записей. На диалектных, саркастических и тональных метках возможен перекос к частым классам, а уверенность может быть высокой даже при ошибке. Для числовых сущностей рекомендуется использовать короткие списки типов; идентификаторы следует дополнительно проверять регулярными выражениями. При токенизации нужно удалять диакритические знаки и татвиль, а извлечённые значения и структурированные записи проверять на соответствие исходному тексту.

surdan/LaBSE_ner_nerel — модель для распознавания именованных сущностей в тексте. Она основана на cointegrated/LaBSE-en-ru и дообучена на наборе данных surdan/nerel_short. Архитектура — BERT с классификацией токенов, размер — 155,5 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. Модель предназначена для извлечения именованных сущностей из текстов, прежде всего в сценариях разметки русскоязычных документов и текстов NEREL. В метаданных также указана поддержка английского языка, однако сведения о качестве на английских данных отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

SCUT-DLVCLab/lilt-roberta-en-base — базовая модель LiLT, разработанная SCUT-DLVCLab и представленная в работе Wang и соавторов о языково-независимом трансформере для понимания структурированных документов. Она объединяет предварительно обученный англоязычный RoBERTa с трансформером LiLT, который обрабатывает структуру и расположение элементов документа. Модель содержит 151,8 млн параметров, принимает текст вместе с информацией о компоновке и имеет контекст до 514 токенов. Модель предназначена для дообучения под классификацию изображений документов, разбор документов и ответы на вопросы по документам. LiLT позволяет сочетать языковый энкодер RoBERTa с обработкой макета, однако этот вариант использует именно англоязычный RoBERTa; поддержка других языков зависит от выбранного языкового энкодера. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

Модель deepanraj-ai — дообученная версия unsloth/Llama-3.2-3B-Instruct-bnb-4bit на архитектуре Llama с плотной сетью и 3,2 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. Лицензия — Apache 2.0.

Groq Llama-3-Groq-70B-Tool-Use — языковая модель Groq на архитектуре Llama 3, дообученная с помощью полного fine-tuning и Direct Preference Optimization на базе Meta Llama 3 70B. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, поддерживает контекст до 8192 токенов и рассчитана прежде всего на английский язык. Модель предназначена для вызова функций и инструментов: взаимодействия с API, манипуляций со структурированными данными и выполнения сложных последовательностей действий через инструменты. В README указан результат 90,76% на Berkeley Function Calling Leaderboard. Для общих знаний и свободного диалога специализированная настройка может быть менее подходящей; ответы могут быть неточными или предвзятыми, а результат чувствителен к настройкам temperature и top_p. Модель распространяется по лицензии Meta Llama 3 Community License. README описывает её применение в исследованиях и разработке сценариев использования инструментов.

LongformerZH — разработанная ValkyriaLenneth предобученная китайская языковая модель на архитектуре Longformer с 129,5 млн параметров. Она использует локальное оконное и глобальное внимание, чтобы обрабатывать длинные последовательности с контекстом до 4096 токенов при линейной сложности по длине последовательности. Модель построена на основе Roberta_zh_mid и обучена с Whole-Word Masking на смеси китайских корпусов; для работы с ней автор рекомендует PyTorch и библиотеку Transformers. Модель предназначена для извлечения признаков из длинных китайских текстов и как основа для дообучения под задачи обработки длинных документов. В карточке приведены результаты оценки на китайском анализе тональности и машинном чтении: для CMRC указаны F1 86,15 и EM 66,84. Модель выпущена в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

LongT5 local-large — англоязычная предобученная модель Google на архитектуре encoder-decoder Transformer, развивающая семейство T5. Она обучена генерировать текст по тексту в задаче денойзинга и использует локальное разреженное внимание для эффективной работы с длинными входными последовательностями. Модель содержит 385,2 млн параметров, поддерживает контекст до 4096 токенов по метаданным и доступна в форматах PyTorch и Flax. Модель предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для генерации текста по длинным документам, включая суммаризацию и ответы на вопросы. Веса распространяются по лицензии Apache 2.0. README указывает, что LongT5 особенно эффективна для задач, требующих обработки длинного текста, и приводит длину до 16 384 токенов; это отличается от значения native_context_tokens в метаданных.

Funnel Transformer medium — англоязычная предварительно обученная модель семейства Funnel Transformer, разработанная командой, представившей это семейство. Это версия B6-3x2-3x2 с декодером, обученная без разметки на текстах с задачей выявления заменённых токенов, подобной ELECTRA. Модель регистронезависимая и принимает текст; её контекст составляет 512 токенов. Модель предназначена прежде всего для извлечения векторных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она не предназначена для генерации текста. Доступны реализации для PyTorch и TensorFlow; обучение проводилось на англоязычных данных, включая BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl. Лицензия — Apache-2.0.

MetaCLIP 2 ViT-B/32 worldwide — мультиязычная модель сопоставления изображений и текста от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B-32-worldwide из оригинальной реализации MetaCLIP 2, доступный в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов словами, а модель оценивает соответствие изображения каждому варианту. Подходит для классификации и поиска изображений по текстовым запросам в разных языковых контекстах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Distilled MetaCLIP 2 ViT-M/16 с входным разрешением 384 пикселя — мультимодальная модель Meta для классификации изображений без обучения на заданных классах. Этот чекпойнт соответствует варианту ViT-M-16-384-worldwide из оригинальной реализации и представлен в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Модель сопоставляет изображения с текстовыми описаниями классов, чтобы выбрать наиболее подходящие метки. Модель предназначена для мультиязычной классификации изображений по пользовательским текстовым категориям. Её можно применять для поиска изображений по смыслу и быстрой разметки наборов изображений без отдельного обучения под каждый набор классов. Репозиторий содержит веса в формате safetensors; карточка демонстрирует использование через Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства при соблюдении некоммерческих условий. Карточка не сообщает размер модели и длину контекста; производительность на конкретных наборах данных и языках требует отдельной проверки.

OpenLID-v2 — модель классификации текста для автоматического определения языка. Её разработали Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield; она представляет собой улучшенную версию OpenLID и использует библиотеку fastText. В README модель описана как высокопроизводительная и охватывающая широкий набор языков. Модель подходит для определения языка коротких текстов и строк, например для маршрутизации запросов по языку, предварительной сортировки корпусов и добавления языковых меток к пользовательскому контенту. В карточке указано NLP-язык en, а репозиторий связан с датасетом OpenLID-v2. Лицензия — GPL-3.0.

Orenis 3B Light Max — чат-модель OrenCraft Labs, дообученная на Qwen2.5-3B-Instruct. Она предназначена для генерации текста и диалогов с выполнением инструкций, решения математических задач, соблюдения формальных ограничений и выдачи структурированных ответов. По карточке, модель использует протокол поиска в интернете: при нехватке актуальных сведений может сформировать запрос query, однако для живого поиска требуется внешний инструмент. Архитектура — плотная Qwen2, около 3,1 млрд параметров; контекст — до 32 768 токенов. Модель рассчитана на английский язык. Разработчик заявляет об устойчивости к поддакиванию и приводит результаты GSM8K и IFEval, но эти оценки получены в конкретных условиях и не гарантируют качество на других задачах. Доступна в формате safetensors; лицензия — Apache-2.0.

Perception Encoder PE-Core-G14-448 — визуальный энкодер Meta из семейства PE, обученный на изображениях с помощью контрастивного vision-language обучения и дообученный на синтетически выровненных видеоданных. Модель содержит визуальную башню G/14 с разрешением 448 пикселей; для глобального представления использует блок attention pooling с 8 головами. Число параметров и длина текстового контекста именно этого чекпойнта в предоставленных данных не указаны. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для получения визуальных представлений, поиска и переноса признаков в downstream-задачи. В карточке отмечены результаты на наборах ImageNet, ObjectNet и ImageNet-A, а также на задачах поиска и классификации видео. Репозиторий предоставляет веса PyTorch. Лицензия — Apache-2.0.

PE-Core-T-16-384 — модель семейства Perception Encoder, разработанного Meta и представленного как OpenCLIP-совместимая версия исходных весов. Это контрастивный vision-language энкодер с визуальной и текстовой башнями, предназначенный для получения сопоставимых признаков изображений и текста. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и текстов по изображению. Вариант T/16 использует разрешение изображений 384 пикселя; в таблице результатов README для него приведены показатели на наборах ImageNet и ObjectNet, а также на задачах поиска и классификации видео. PE обучен на данных для изображений и текста и дообучен на синтетически выровненных видеоданных. Модель доступна в форматах PyTorch и safetensors и используется через библиотеку open_clip. В метаданных указана лицензия Apache-2.0. Размер текстовой башни и длина её контекста для этого варианта в предоставленных данных не определены.

PrismNLI-0.4B — англоязычная модель Jaehun для вывода по естественному языку и классификации без дополнительного обучения. Она дообучена на 515 тысячах синтетических примеров датасета PrismNLI, созданных с помощью Qwen2.5-72B-Instruct; исходной моделью послужила microsoft/deberta-v3-large-zeroshot-v2.0. Архитектура — DeBERTa V3 Large для классификации последовательностей, размер — 533,8 млн параметров, максимальный контекст — 512 токенов. Модель проверяет, следует ли гипотеза из посылки: метка 0 означает entailment, а метка 1 — not-entailment. Такой формат позволяет использовать её как классификатор с заданными пользователем категориями: категории формулируются как гипотезы, а модель оценивает их соответствие входному тексту. README сообщает о результатах на восьми бенчмарках NLI, но не приводит чисел для этой версии в доступной таблице. Модель предназначена для англоязычных текстовых задач и распространяется по лицензии CC. Для надёжных результатов следует формулировать категории как проверяемые утверждения; качество на других языках и за пределами NLI и zero-shot классификации в карточке не подтверждено.

mlx-community/Qwen2.5-VL-7B-Instruct-8bit — конвертированная в формат MLX 8-битная версия инструкционной мультимодальной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community. Модель предназначена для диалоговых задач с изображениями: она принимает текстовые запросы и изображения и формирует текстовые ответы, включая анализ визуального содержимого. Модель основана на плотной архитектуре Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. В метаданных указаны возможности чата, работы с изображениями и интерфейс вызова инструментов; основной тег задачи — image-text-to-text. Репозиторий содержит веса в формате safetensors, а README указывает на конвертацию через mlx-vlm 0.1.11. Лицензия — Apache-2.0. Модель подходит для визуальных вопросов и ответов, анализа изображений и чтения документов по изображению. README перенаправляет за подробностями возможностей к карточке исходной модели, поэтому специфические результаты и ограничения для этой сборки не описаны.

SauerkrautLM-1.5b — демонстрационная языковая модель VAGO solutions на архитектуре Qwen2 с 1,5 млрд параметров. Она создана на базе Qwen/Qwen2-1.5B с помощью непрерывного предобучения на немецких данных методом Spectrum CPT, затрагивающим 25% слоёв, а затем дообучена с помощью SFT и DPO. Модель предназначена для генерации текста и диалогов на немецком и английском языках. Её можно использовать для ответов на вопросы и работы с немецкоязычными материалами, в том числе в сценариях RAG. Контекст — до 32 768 токенов. Авторы сообщают об улучшении немецкого языка и результатах на немецких бенчмарках, однако описывают модель как демонстрационную и отмечают, что для продуктивного применения может потребоваться дополнительное обучение на немецких данных. Модель распространяется по лицензии Apache 2.0.