I.1Поиск и навигация по информации

osiria/deberta-italian-question-answering — модель DeBERTa-v2 для ответов на вопросы на итальянском языке. Она дообучена для извлечения ответа из предоставленного контекста на датасете SQuAD-IT; версия 3.0 также проходила последовательное дообучение на английском SQuAD v2, итальянском SQuAD и его варианте в нижнем регистре. Модель насчитывает 151,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для сценариев, где вопрос и ответный фрагмент находятся в переданном тексте: например, для поиска фактов в документах или ответов по материалам базы знаний. В README приведены результаты версии 3.0 на тестовом наборе SQuAD-IT: F1 81,01 для текста с учётом регистра и 80,74 без учёта регистра. Если нужной информации в контексте нет, модель всё равно может выдать ответ, который окажется неверным. Качество также ограничено особенностями SQuAD-IT, значительная часть которого получена машинным переводом. Модель выпущена под лицензией MIT.

distilbert/distilbert-base-cased-distilled-squad — англоязычная модель для ответов на вопросы от Hugging Face. Это компактный вариант Transformer-архитектуры DistilBERT, дообученный дополнительной дистилляцией на SQuAD v1.1 для извлечения ответа из предоставленного текста. Модель подходит для поиска ответов в документах и контекстных фрагментах; её контекст ограничен 512 токенами. В карточке модели указаны результат F1 87,1 на тестовой части SQuAD v1.1 и лицензия Apache 2.0. Модель работает с текстом и рассчитана на английский язык. Как и другие языковые модели, она может наследовать предвзятости обучающих данных, а ответы могут быть неверными или содержать стереотипы; её не следует использовать как источник подтверждённых фактов о людях и событиях.

Это статически квантованная до INT8 модель DistilBERT для ответов на вопросы по заданному текстовому контексту. Её разработали Xin He, Zixuan Cheng и Yu Wenz; модель основана на distilbert-base-uncased-distilled-squad и предназначена для быстрого вывода при уменьшенном размере весов. Доступны варианты PyTorch и ONNX. Модель дообучена на Stanford Question Answering Dataset (SQuAD), её базовая архитектура — DistilBERT с головой для извлечения ответов. Контекст ограничен 512 токенами. В карточке приведены результаты F1 около 86 для INT8-вариантов; их размер меньше, чем у соответствующих версий FP32. Лицензия — Apache-2.0. Модель подходит для систем, которые находят ответ на вопрос в предоставленном отрывке, в том числе при ограниченных вычислительных ресурсах. Она рассчитана на английский язык и может терять точность на иных данных или при переносе за пределы сценария SQuAD; квантизация также может повлиять на точность. Для критичных применений рекомендуется проверять качество на целевых данных.

chiendvhust/distilbert-base-uncased-finetuned-squad — модель DistilBERT, дообученная на наборе SQuAD для извлечения ответов из текста по вопросу. Она принимает вопрос вместе с контекстом и предсказывает фрагмент контекста в качестве ответа. Модель использует архитектуру DistilBertForQuestionAnswering, распространяется в формате PyTorch и рассчитана на контекст до 512 токенов. Модель подходит для поиска ответов в предоставленном тексте и создания простых систем вопросно-ответного поиска. В README приведено значение loss 1.2178 на оценочной выборке, но дополнительных сведений о метриках и ограничениях нет. Обучение описано для англоязычного SQuAD; лицензия — Apache-2.0.

Это англоязычная модель ответов на вопросы, созданная как воспроизведение варианта DistilBERT из статьи DistilBERT. Студент distilbert-base-uncased дообучен на SQuAD v1.1 с дополнительной дистилляцией от модели lewtun/bert-base-uncased-finetuned-squad-v1, также настроенной на SQuAD. Репозиторий содержит веса PyTorch; архитектура в метаданных указана как DistilBertForMaskedLM, хотя README описывает модель для ответов на вопросы. Модель предназначена для извлечения ответа на вопрос из предоставленного текста на английском языке, например для поиска факта в документе или ответа по статье. Контекст ограничен 512 токенами. В README приведены результаты на SQuAD: Exact Match 78,4 и F1 86,5. Модель распространяется по лицензии Apache-2.0.

Mariah64 разработала эту модель как дообученную версию DistilBERT base uncased для извлечения ответов на вопросы. Модель принимает вопрос вместе с текстовым контекстом и предназначена для поиска в нём фрагмента, отвечающего на вопрос; карточка указывает задачу question answering и архитектуру DistilBertForQuestionAnswering. Модель основана на distilbert/distilbert-base-uncased, имеет контекстное окно до 512 токенов и опубликована в формате TensorFlow. В карточке приведены результаты одного прохода обучения и оценки на валидационном наборе, но сам набор данных не назван; точность логитов начала и конца ответа на валидации составляет соответственно 0,6556 и 0,6892. Указана лицензия Apache-2.0. Языковая специализация и подробные сведения о назначении и обучающих данных в README отсутствуют; исходная модель uncased рассчитана на английский текст.

distilroberta-base-task-specific-distilation-on-squad — дообученная на датасете SQuAD модель DistilRoBERTa для ответов на вопросы по предоставленному контексту. Она использует архитектуру RoBERTa и содержит 95,2 млн параметров; заявленная длина контекста — 514 токенов. Подходит для извлечения ответов из текста в системах поиска по документам и вопросно-ответных интерфейсах. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки и дополнительных сведений о качестве или ограничениях, поэтому их нельзя подтвердить по доступным данным.

denniscraandijk/dutch-english-multilingual-e5-large-instruct — сжатая удалением параметров версия multilingual-e5-large-instruct, созданная с помощью mtem-pruner для задач на нидерландском языке. Модель на архитектуре XLM-RoBERTa содержит 450,6 млн параметров и формирует плотные текстовые эмбеддинги для семантического поиска, извлечения релевантных фрагментов и сравнения предложений. Она рассчитана прежде всего на нидерландский; README также указывает английский в названии, но не подтверждает его качество. Контекст — до 514 токенов. По данным карточки, модель на 37,2% меньше исходной и должна сохранять близкое качество на нидерландских задачах при меньших требованиях к памяти. Удаление токенов из словаря может ухудшить работу на других языках исходной многоязычной модели. Модель распространяется по лицензии MIT.

Eager Embed V1 — мультимодальная плотная модель эмбеддингов, разработанная Хуаном Пабло Баларани при финансировании Eagerworks. Она дообучена на Qwen/Qwen3-VL-4B-Instruct и предназначена для индексации и поиска по документам с учётом их визуального и текстового содержимого. Модель формирует эмбеддинги для визуально-текстового поиска по документам. По сравнению с многовекторными подходами типа ColBERT она рассчитана на баланс между размерностью эмбеддингов, точностью поиска и эффективностью; для сравнения эмбеддингов не требуется функция max-sim. Модель оценивали на бенчмарках Vidore 1, 2 и 3. В основе лежит мультимодальная архитектура Qwen3-VL с 4 млрд параметров. Использование предполагает подачу визуального и текстового содержимого документов и получение векторных представлений для поиска. Модель распространяется по лицензии Apache 2.0.

naver/efficient-splade-V-large-doc — модель-разработанная Naver асимметричная разреженная кодировочная модель SPLADE для поиска пассажей. Она предназначена для документной стороны поиска: тексты документов и абзацев преобразуются в разреженные векторы размерности 30 522, пригодные для извлечения и ранжирования по скалярному произведению. Для полноценного асимметричного поиска README рекомендует использовать отдельную модель для запросов. Модель основана на DistilBERT и принимает текст длиной до 512 токенов; в README для воспроизведения оценки указано ограничение 256 токенов. В метаданных отмечены английский язык и датасет MS MARCO. Модель подходит для семантического поиска и разреженного извлечения документов, но сама по себе не является полной парой кодировщиков для запросов и документов. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и некоммерческого использования.

Eklav-7B-Reranker-CotGen — экспериментальная модель Adarsh Singh, дообученная на базе Qwen/Qwen2.5-7B. Это baseline для метода CotGen: во время обучения модель продолжает частичную цепочку рассуждений учителя и самостоятельно формирует ответ; в данном чекпойнте используется стандартное обучение на полных цепочках рассуждений. Модель предназначена для попарного ранжирования passage по релевантности, в частности в задачах, представленных наборами BRIGHT и NevIR. Модель имеет плотную архитектуру Qwen2ForCausalLM, 7,1 млрд параметров и контекст до 131 072 токенов. При ранжировании она генерирует цепочку рассуждений, завершающуюся меткой true или false; релевантность рекомендуется оценивать по логитам финального токена, а не по разобранному тексту генерации. Для инференса автор рекомендует vLLM с условием остановки по строке: при генерации через Transformers с фиксированным лимитом токенов модель иногда продолжает длинный текст, повторяется и не завершает ответ. Лицензия в предоставленных данных не указана.

Gozdi/Electra-base-squad-adversarialqa-epoch-3 — дообученная модель Google ELECTRA-base-discriminator для ответов на вопросы. Она принимает вопрос и контекст и определяет ответ в тексте; архитектура — ElectraForQuestionAnswering, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель опубликована в формате TensorFlow и подходит для извлечения ответов из предоставленных текстов. В карточке указано, что модель дообучена на неизвестном наборе данных; приведено значение Train Loss 0,5566 для эпохи 2. Подробности о данных, оценке качества, предполагаемом применении и ограничениях не описаны. Лицензия — Apache-2.0.

anakin87/electra-italian-xxl-cased-squad-it — модель извлекающего ответа на вопрос для итальянских текстов. Она разработана на базе dbmdz/electra-base-italian-xxl-cased-discriminator и дообучена на наборе данных SQuAD-IT. Модель построена на архитектуре ELECTRA, содержит 137,1 млн параметров и принимает контекст длиной до 512 токенов. Она находит ответный фрагмент в предоставленном тексте, поэтому подходит для вопросно-ответных систем по документам, в том числе реализованных с помощью Transformers или Haystack. В карточке указаны результаты на SQuAD-IT: EM 66,03 и F1 77,47. Модель предназначена для итальянского языка и распространяется по лицензии Apache-2.0. Поскольку ответы извлекаются из входного контекста, для ответа на вопрос необходимо предоставить текст, содержащий нужные сведения.

eth-setfit-multilabel-model — модель Sentence Transformers на архитектуре MPNet, разработанная проектом physician-ethics-responsible-data-science. Она преобразует предложения и абзацы в плотные векторы размерности 768 для кластеризации, семантического поиска и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с использованием CosineSimilarityLoss. Несмотря на название, в карточке описаны векторные представления текста, а метаданные указывают возможности embeddings; назначение для конкретной задачи многометочной классификации не подтверждено. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Finnish ModernBERT large — плотная encoder-модель семейства ModernBERT, разработанная TurkuNLP и обученная на суперкомпьютере LUMI. Она содержит около 400 млн параметров, имеет 28 слоёв и поддерживает контекст длиной 16 000 токенов; в карточке также указана теоретическая возможность экстраполяции до 128 000 токенов. Модель предобучена на финском, шведском, английском, коде, латыни и северносаамском языках. Основная задача модели — предсказание замаскированных токенов. Её можно использовать как основу для задач понимания текста на финском, шведском и английском, а также для поиска и извлечения информации; в оценке авторов модели показали сильные результаты в междоменном поиске. Для прикладного использования в конкретных задачах может потребоваться дообучение. Модель распространяется по лицензии Apache-2.0. Оценки показывают конкурентоспособность на задачах понимания текста с коротким контекстом, однако XLM-R-large был сильнее в этой группе сравнений. Обучающие данные содержат предвзятые и потенциально вредные материалы и не фильтровались на токсичность, поэтому представления модели требуют оценки с учётом возможного отражения этих свойств.

VIDraft/Gemma-3-R1984-12B — мультимодальная модель на архитектуре Gemma 3, дообученная на базе google/gemma-3-12b-pt. Карточка описывает локальную платформу для диалогов, анализа изображений и документов, а также исследовательских запросов с веб-поиском через SERPHouse API. Заявлена обработка изображений, видео и текстовых документов; поиск может включать до 20 результатов с цитированием источников. В карточке указаны около 12 млрд параметров и контекст до 8 000 токенов. Метаданные подтверждают задачу image-text-to-text, поддержку vision и chat, библиотеку Transformers и лицензию Gemma. Для веб-поиска требуется ключ SERPHouse; README рекомендует развёртывание на NVIDIA L40S, но не приводит независимых оценок качества или подробностей обучения. Условия лицензии следует сверять с лицензией Gemma, указанной в метаданных: упоминание MIT для платформы в README не подтверждает лицензию весов модели.

Карточка модели ginipick/Gemma-3-R1984-4B на Hugging Face совпадает с карточкой VIDraft/Gemma-3-R1984-4B, поэтому описание составлено по ней. Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI — авторегрессионная языковая модель на базе Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Модель дообучена для сценариев генерации с использованием найденных документов и предназначена прежде всего для немецкоязычного рынка. В метаданных указаны архитектура Llama, 3,7 млрд параметров и контекст до 131 072 токенов; веса доступны в формате safetensors. Модель отвечает на вопросы по предоставленному контексту, извлекает релевантную информацию, составляет краткие сводки и выполняет задачи рассуждения. README также описывает обучение на примерах RAG и поддержку немецкого и английского языков. Лицензия в метаданных Hugging Face — MIT; README указывает Apache 2.0, поэтому сведения о лицензии расходятся и требуют проверки перед использованием. Ответы могут содержать фактические ошибки, а без фильтрации модель способна выдавать вредоносный или чувствительный контент. Результаты следует проверять, а для пользовательских приложений учитывать риски предвзятости и генерации небезопасного текста.

harpertoken/harpertokenConvAI — англоязычная модель на базе DistilBERT для извлечения ответов на вопросы по заданному контексту. В карточке указано обучение на Stanford Question Answering Dataset (SQuAD); модель предназначена для понимания вопроса и контекста и выдачи точного ответа. Её можно применять для поиска ответов в текстах и контекстных диалоговых сценариях. Модель использует архитектуру DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ. Размер контекстного окна — до 512 токенов. Метаданные указывают форматы PyTorch и Safetensors, лицензию MIT. В карточке приведены показатели Exact Match 75% и F1 85% на SQuAD.

Onyx Information Content Model — модель классификации текстовых фрагментов, разработанная для системы Onyx Enterprise Search. Она определяет, содержит ли короткий фрагмент информацию, полезную саму по себе для ответа на вопрос в RAG-сценарии. Модель построена на SetFit: дообученный методом контрастивного обучения Sentence Transformer на базе sentence-transformers/paraphrase-mpnet-base-v2 формирует признаки, а классификатор LogisticRegression относит текст к одному из двух классов. Модель предназначена для английского языка; максимальная длина последовательности составляет 512 токенов. В метаданных указано 136,7 млн параметров и формат safetensors. Она подходит для отбора информативных фрагментов в корпоративном поиске и подготовке контекста для ответов на вопросы. Классификация ограничена двумя классами и короткими текстовыми фрагментами; качество для других языков и сценариев не заявлено. Лицензия в предоставленных данных не указана.

JaColBERTv2.5 — японская модель семантического поиска на архитектуре BERT, разработанная Бенжамином Клавье. Она предназначена для ранжирования и извлечения релевантных документов в поисковых и RAG-системах; модель использует представления ColBERT с несколькими векторами для сопоставления запросов и документов. Чекпойнт содержит 138,4 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors для работы с RAGatouille. В README заявлено, что модель обучена на 40% данных, использованных для JaColBERTv2, и превосходит предыдущие подходы, включая мультиязычные варианты BGE-M3, на всех оценённых наборах данных. Указаны японские наборы MIRACL, MMARCO, JQaRA и JaGovFaqs. Модель рассчитана на японский язык; лицензия MIT.

Jan-Nano — компактная диалоговая языковая модель примерно на 3,7 млрд параметров, разработанная Alan Dao и Bach Vu Dinh для исследовательских задач с использованием инструментов. Она дообучена на Qwen/Qwen3-4B и рассчитана на работу с серверами Model Context Protocol (MCP), чтобы обращаться к исследовательским инструментам и источникам данных. Модель поддерживает диалог и интерфейс вызова инструментов; авторы описывают её как нетребовательную к пошаговому режиму рассуждений. Заявлена оценка на SimpleQA с MCP-инструментами, однако численные результаты в карточке не приведены. Модель принимает текстовые запросы и генерирует текстовые ответы и вызовы инструментов. Она использует архитектуру Qwen3ForCausalLM, библиотеку Transformers и формат safetensors; длина контекста — 40 960 токенов. Карточка описывает сценарии исследовательского поиска и локальный запуск через Jan или vLLM. Распределение поддерживаемых естественных языков не указано. Лицензия — Apache-2.0.

Корейский энкодер для нейронного разреженного поиска, разработанный на основе klue/roberta-large и дообученный методом SPLADE-max. Модель преобразует запросы и документы на корейском языке в разреженные лексические представления с расширением ключевых слов, которые можно использовать для поиска через neural_sparse-запросы OpenSearch. Модель основана на архитектуре RoBERTa с головой masked language modeling; в README указаны 337 млн параметров, 24 слоя и размер скрытого состояния 1024. Она обучалась и оценивалась на Ko-StrategyQA, MIRACL-ko и Mr.TyDi-ko. В этих тестах показаны более высокие значения Recall@1, чем у BM25 и указанной в карточке модели V33-base. Для использования нужны Transformers и PyTorch либо OpenSearch с поддержкой neural_sparse. Лицензия — Apache-2.0. Метаданные каталога указывают 435,4 млн параметров и контекст до 514 токенов; это расходится с размером модели в README.

ko-vdr-preview — дообученная с помощью LoRA мультимодальная модель johnandru на базе Qwen/Qwen3-VL-Embedding-2B. Она предназначена для поиска страниц визуальных документов по текстовому запросу: преобразует запросы и изображения страниц в эмбеддинги, по которым можно вычислять сходство и ранжировать документы. Модель обучена на смешанном корейском и английском корпусе пар «запрос — страница» с трудными отрицательными примерами и поддерживает Matryoshka-эмбеддинги размерностью от 128 до 2048; размерность по умолчанию — 2048. В README приведены результаты оценки на шести задачах мультимодального поиска: средний nDCG@10 составляет 0,4845 против 0,3533 у исходной модели 2B и 0,5013 у модели 8B. Эти результаты относятся к указанным тестовым наборам, поэтому качество на других типах документов может отличаться. Репозиторий распространяется по лицензии Apache-2.0.

KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

Dingdust/LFM2.5-2.6B-heretic — текстовая разговорная модель на архитектуре LFM2, созданная как производная LiquidAI/LFM2.5-2.6B-Base. В карточке указано, что abliteration снизила частоту отказов с 97 до 3 случаев на 100 запросов при KL-дивергенции 0,0133 относительно исходной модели. Модель содержит 2,6 млрд параметров, имеет 30 слоёв и контекстное окно 131 072 токена; поддерживает чат и вызов инструментов. Модель предназначена для локального запуска на устройствах и для агентных сценариев: использования инструментов, извлечения данных, RAG и работы с длинным контекстом. Поддерживаемые языки включают английский, русский, арабский, китайский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, испанский, тайский и вьетнамский. Она не рекомендуется для агентного программирования и задач, требующих обширных знаний. Лицензия указана как other, конкретные условия в предоставленных данных не приведены.

lmstudio-community/Llama3-ChatQA-1.5-8B-GGUF — квантизированная в формате GGUF версия модели Llama3-ChatQA-1.5-8B, разработанной NVIDIA. Модель построена на базе Llama 3 и предназначена прежде всего для генерации текста, диалоговых ответов и задач retrieval-augmented generation (RAG). Квантизацию выполнил bartowski на основе llama.cpp. Модель ориентирована на ответы на вопросы по предоставленному контексту, его суммаризацию и извлечение релевантной информации. Она рассчитана на англоязычные сценарии и обучалась с улучшенным рецептом ChatQA, включая дополнительные данные для conversational QA, табличных задач и арифметических вычислений. Указанный размер модели — 8 миллиардов параметров; сведения о длине контекста и конкретном варианте квантизации в README не приведены. Сильной стороной модели является способность формировать содержательные ответы, опираясь на переданный контекст, и указывать, когда ответ в нём не найден. Она может применяться и в более общих задачах, но в первую очередь предназначена для RAG и работы с контекстом. К ограничениям относятся зависимость качества от полноты и точности предоставленного контекста, а также потенциальная неточность или нежелательное содержимое ответов. Модель распространяется по лицензии Llama 3.

Lucy — компактная языковая модель на 1,7 млрд параметров, разработанная Alan Dao, Bach Vu Dinh, Alex Nguyen и Norapat Buppodom на базе Qwen3-1.7B. Она предназначена для агентного веб-поиска, лёгкого просмотра веб-страниц и диалоговой генерации текста. Для поиска и работы с веб-страницами модель использует внешние инструменты через MCP, например Serper и Crawl4AI. Модель построена на плотной архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. Авторы описывают оптимизацию для мобильных устройств и запуска на CPU, а также обучение с подкреплением без supervised fine-tuning и сгенерированные машинным способом task vectors. Карточка приводит результат сравнения на SimpleQA, но не содержит подробностей протокола или воспроизводимых результатов. Модель поддерживает английский язык; лицензия — Apache-2.0.

Lucy-GGUF — компактная языковая модель для агентного веб-поиска и облегчённого веб-сёрфинга, разработанная командой Menlo Research; среди авторов указаны Alan Dao, Bach Vu Dinh и Alex Nguyen. Модель основана на Qwen3-1.7B и предназначена для сценариев, где языковая модель взаимодействует с поисковыми и браузерными инструментами через MCP, включая поиск с использованием Serper и базовый просмотр веб-страниц. Модель содержит 1,7 млрд параметров и оптимизирована для эффективного запуска на мобильных устройствах и конфигурациях только с CPU. Для улучшения рассуждений в поисковых задачах применялись машинно сгенерированные task vectors, сглаженные reward-функции по нескольким категориям и reinforcement learning без supervised fine-tuning. В README также упоминается вариант Lucy-128k, однако для данного идентификатора точная длина контекста явно не указана. Сильные стороны Lucy — малый размер, возможность локального развёртывания и специализация на инструментальном поиске; заявлено, что на бенчмарке SimpleQA модель достигла более высокой точности, чем DeepSeek-v3. Результаты зависят от подключённых MCP-инструментов и поисковых API, а модель не следует рассматривать как универсальную замену крупным моделям: её возможности ориентированы прежде всего на агентный поиск и лёгкий браузинг. В README указана лицензия Apache 2.0. Для запуска упомянуты vLLM, llama.cpp, Jan, LM Studio и совместимые inference-движки.

mBERT-IndoSQuADv2_1691852742-16-2e-06-0.01-5 — модель семейства BERT, дообученная на базе bert-base-multilingual-cased для ответа на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из этого контекста. В карточке приведён результат оценки: loss 1,8692; сведения о наборе данных и подробностях обучения отсутствуют. Модель содержит 205,1 млн параметров, использует формат PyTorch и поддерживает контекст длиной до 512 токенов. Базовая модель многоязычная, однако язык дообучения и языки, проверенные при оценке, в карточке не определены. Лицензия — Apache-2.0.