I.1Поиск и навигация по информации

Модель ktrapeznikov/albert-xlarge-v2-squad-v2 — версия ALBERT XLarge v2, дообученная автором репозитория на наборе SQuAD V2 для ответов на вопросы по переданному фрагменту текста. Она оценивает позиции начала и конца ответа в контексте, а обучение на SQuAD V2 также позволяет оценивать случаи, когда в абзаце нет ответа. Архитектура — плотная AlbertForQuestionAnswering; в метаданных указаны 1,7 млрд параметров и контекст до 512 токенов. Модель подходит для извлечения ответов из абзацев и проверки, содержится ли ответ в контексте. В README приведены результаты на dev-наборе SQuAD V2: exact match 84,42 и F1 87,46; автор отмечает, что лучший порог отказа не подбирался. Веса представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

LinYuting выпустил дообученную модель RoBERTa base для извлечения ответов на вопросы из предоставленного текста. Она основана на deepset/roberta-base-squad2 и предназначена для сценариев question answering, где ответ нужно найти в контексте; базовая модель также определяет вопросы, на которые в контексте нет ответа. Модель содержит 151,8 млн параметров, имеет контекстное окно 514 токенов и представлена в формате TensorFlow. В карточке указаны результаты обучения: эпоха 2, ошибка на обучении 0,2567 и на валидации 1,1199. Датасет дообучения не назван, поэтому качество на других данных по этим метрикам оценить нельзя. Лицензия — CC BY 4.0.

valhalla/bart-large-finetuned-squadv1 — модель BART-large, дообученная Suraj Patil на наборе SQuAD v1 для ответов на вопросы по предоставленному тексту. Она кодирует документ и вопрос и предсказывает ответный фрагмент в тексте. Модель построена на архитектуре BART encoder-decoder: 12 слоёв кодировщика и 12 слоёв декодера; содержит около 252,8 млн параметров и рассчитана на последовательности длиной до 1024 токенов. В карточке указаны результаты на SQuAD v1: EM 86,80 и F1 92,73; автор отмечает, что они немного ниже опубликованных в статье BART. Модель предназначена для англоязычного извлечения ответов из контекста и может применяться в системах вопросов и ответов по документам. Лицензия в предоставленных данных не указана.

MMG/bert-base-spanish-wwm-cased-finetuned-sqac — модель BERT, дообученная на наборе SQAC для ответов на вопросы по текстовому контексту. Она принимает вопрос и связанный с ним фрагмент текста на испанском языке и извлекает из контекста ответ. Модель содержит 137,1 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. На оценочной выборке SQAC модель показала exact match 62,02 и F1 79,45. Она подходит для поиска ответов в испанских текстах, если вопрос и нужная информация помещаются в контекст. Лицензия в предоставленных данных не указана.

Модель kaporter/bert-base-uncased-finetuned-squad — версия BERT base uncased, дообученная для ответов на вопросы на наборе SQuAD. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель содержит 136,7 млн параметров, использует архитектуру BERT для задачи question answering и обрабатывает контекст длиной до 512 токенов. Модель подходит для поиска ответов в коротких текстах на английском языке, например в справочных материалах и документации. В README приведено значение loss 1,0725 на оценочной выборке, но дополнительные результаты и сведения о конкретных ограничениях не описаны. Лицензия — Apache-2.0.

VedantS01/bert-finetuned-custom — модель на архитектуре BERT, дообученная разработчиком репозитория на наборе данных, указанном в карточке как None. Она предназначена для ответов на вопросы: модель получает вопрос и текстовый контекст и предсказывает фрагмент контекста в качестве ответа. Размер модели — 136,7 млн параметров; длина контекста — до 512 токенов. Модель использует PyTorch и распространяется по лицензии Apache-2.0. Базовая модель bert-base-uncased рассчитана на английский язык. Карточка не содержит подробностей о данных дообучения и оценке качества, поэтому нельзя определить, на какие именно вопросы модель отвечает лучше всего или как она ведёт себя вне обучающего домена.

Модель badokorach/bert-finetuned-squad-7-finetuned-081023 — дообученная версия BERT для ответов на вопросы по текстовому контексту. Она предназначена для сценариев, где вместе с вопросом подаётся текст, из которого модель извлекает ответ. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. Модель дообучена на наборе данных SQuAD и опубликована под лицензией Apache-2.0. В карточке приведено значение loss 1,1157 на оценочном наборе. Язык данных и другие ограничения качества в источниках не описаны.

AgentPublic/camembert-base-squadFR-fquad-piaf — франкоязычная модель ответов на вопросы, созданная дообучением базовой CamemBERT на объединении трёх наборов данных: PIAF v1.1, FQuAD v1.0 и SQuAD-FR, автоматически переведённого на французский язык. Модель на архитектуре CamemBERT с примерно 137,8 млн параметров предназначена для извлечения ответа на вопрос из предоставленного текстового контекста. Её можно применять для поиска фактов во франкоязычных документах и построения систем вопросов и ответов на французском языке. Максимальная длина контекста составляет 514 токенов. Модель поддерживается форматами PyTorch, Safetensors и TensorFlow. Сведения о лицензии в предоставленных источниках отсутствуют.

OpenMatch разработала эту модель на базе BERT-base для поиска по текстовым коллекциям. Сначала модель предварительно обучили на корпусе BEIR, затем дообучили на MS MARCO по подходу COCO-DR, направленному на повышение устойчивости плотного поиска при сдвиге распределения данных. В метаданных указаны архитектура BERT с головой masked language modeling, 136,7 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для задач плотного поиска и получения текстовых представлений, полезных при поиске документов и пассажей, в том числе в сценариях zero-shot retrieval. В карточке приведён способ загрузки через Transformers. Репозиторий распространяется по лицензии MIT. В метаданных основная задача помечена как fill-mask, поэтому это не подтверждает наличие отдельного интерфейса для ранжирования или извлечения эмбеддингов. README не приводит численных оценок качества; результаты могут зависеть от корпуса и поискового конвейера.

ColVintern-1B-v1 — экспериментальная мультимодальная модель компании 5CD-AI для поиска по изображениям документов в стиле ColPali. Она дообучена на базе 5CD-AI/Vintern-1B-v2 и выдаёт векторные представления вопросов и изображений с информацией, подходящей для ответа, чтобы использовать их в поиске и RAG. Модель содержит 1 млрд параметров и обучалась на англоязычном наборе ColPali и небольшой части вьетнамских пар «изображение — вопрос и ответ». Авторы сообщают о результатах, близких к ColPali v1 на части тестов ViDoRe. Модель рассчитана на поиск по изображениям документов и извлечение релевантных страниц для ответа на вопросы, особенно по вьетнамским текстам; заявлена также поддержка английского. В README отмечено, что это первая экспериментальная версия, обученная лишь на 5% доступных вьетнамских пар, а расширение данных и улучшение результатов запланированы для будущих версий. Доступна в формате safetensors для Transformers. Лицензия в предоставленных сведениях не указана.

lorenzkuhn/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе данных SQuAD v2 для извлечения ответов на вопросы из предоставленного текста. Она принимает вопрос и контекст и предсказывает фрагмент контекста как ответ; архитектура относится к плотным трансформерам, формат весов — PyTorch, контекст ограничен 512 токенами. В README указано значение loss 1,3206 на оценочной выборке. Модель предназначена для английских текстов и сценариев поиска ответа в документе или отрывке. Карточка не содержит подробной оценки качества за пределами указанного loss и не описывает дополнительные применения. Распространяется по лицензии Apache-2.0.

Marscen/distilbert-base-uncased-finetuned-squad — модель вопросно-ответной системы на базе DistilBERT, дообученная на наборе SQuAD v2. Она предназначена для извлечения ответа из предоставленного текста в ответ на вопрос и может отказываться от ответа, если в контексте нет нужной информации. Модель использует архитектуру DistilBertForQuestionAnswering, работает с текстом и поддерживает контекст длиной до 512 токенов. Модель создана на основе distilbert-base-uncased и опубликована по лицензии Apache-2.0. В карточке приведена оценка Loss 1.4052 на проверочной выборке; других характеристик качества и подробностей обучения нет. Она ориентирована на английский язык и не предназначена для генерации свободных ответов вне предоставленного контекста.

AgentPublic разработала франкоязычный кодировщик вопросов для Dense Passage Retrieval (DPR) на базе CamemBERT. Модель дообучена на объединении наборов PIAF v1.1, FQuAD v1.0 и SQuAD-FR; в обучении использовались положительные абзацы с ответами и сложные отрицательные примеры, найденные BM25. Число параметров — 137,8 млн, максимальная длина контекста — 514 токенов, формат весов — PyTorch. Модель предназначена для получения векторных представлений вопросов и поиска подходящих фрагментов в корпусе документов, в том числе как часть системы ответов на вопросы на французском языке. В оценке на FQuAD v1.0 нужный ответ находился среди 20 отобранных фрагментов для 86,81% вопросов. Авторы отмечают, что на SQuAD-подобных наборах BM25 стабильно превосходил DPR, поэтому качество поиска следует проверять на целевом корпусе. В README не указана лицензия; перед использованием следует проверить условия распространения репозитория и базовой модели.

Intel/fid_flan_t5_base_nq — текстовая генеративная модель Intel на архитектуре Fusion-in-Decoder, обученная на наборе Natural Questions. В основе лежит google/flan-t5-base; для каждого вопроса при обучении использовалась подборка релевантных текстовых фрагментов, полученных из корпуса Википедии. Модель предназначена для ответов на вопросы по найденным документам: на вход подаются запрос и релевантные passages, на выходе генерируется текстовый ответ. Она содержит 123,8 млн параметров, поддерживает английский язык и имеет контекст до 512 токенов. Доступны веса PyTorch и safetensors. Лицензия — CC BY-SA 3.0. Карточка не приводит подробностей о качестве ответов или условиях развертывания; эффективность зависит от релевантности переданных фрагментов и ограниченного контекстного окна.

Ystar124/formtgpt — небольшая авторегрессионная Transformer-модель DocLLM, разработанная как пользовательская архитектура и обученная с нуля на PyTorch для ответов на вопросы по PDF-документам с указанием страниц. Модель содержит около 5 млн параметров, использует 6 слоёв, 8 голов внимания, RoPE, SwiGLU, RMSNorm и KV-кэш; контекст ограничен 256 токенами. Модель предназначена для генерации текстовых ответов по содержимому документов. В карточке заявлены понимание документов и PDF-вопросы и ответы; данные о точности, обучающих датасетах и поддержке других языков не приведены. Модель опубликована в формате PyTorch; лицензия в доступных данных не указана.

kxx-kkk/FYP_sq2_mrqa_adqa — модель семейства DeBERTa-v2, разработанная как дообученная версия kxx-kkk/FYP_sq2_mrqa. Она предназначена для извлечения ответа на вопрос из предоставленного текста. Модель содержит 211,6 млн параметров и рассчитана на контекст длиной до 512 токенов. Карточка сообщает о дообучении на датасете, который не уточнён, и приводит значение Loss 2,3608 на evaluation set. Дополнительные сведения о качестве, сценариях применения и ограничениях не приведены. Лицензия — CC BY 4.0.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

LongLLaMA-Instruct-3Bv1.1 — инструктивная языковая модель семейства LongLLaMA, разработанная авторами проекта LongLLaMA на основе OpenLLaMA-3Bv2. Модель содержит 3,3 млрд параметров и дообучена методом Focused Transformer (FoT), а также на инструкциях OpenOrca и диалогах ShareGPT-Processed. Она предназначена для генерации текста и ответов на вопросы с использованием длинного контекста; в README описаны извлечение сведений из длинных входов и эксперименты с классификацией вопросов и ответами на вопросы. Архитектура LongLlamaForCausalLM использует кэш памяти в выбранных слоях и обработку входов окнами по 2048 токенов. Метаданные указывают нативный контекст 2048 токенов; README заявляет возможность экстраполяции до 256 тысяч токенов в задаче поиска ключа, хотя это исследовательский результат, а не универсальная гарантия для всех задач. Модель принимает и генерирует текст; обучающие данные также включают код, но карточка не подтверждает отдельное специализированное качество для программирования. Лицензия Apache 2.0. Автор обозначает модель как предназначенную только для исследований.

MemAgent ReadTwice Rewrite-1024 Repair SFT — это объединённый чекпойнт Qwen2ForCausalLM класса 7B, обученный командой или автором репозитория Xirui1208 как продолжение SFT-модели ReadTwice Rewrite-1024. Модель предназначена для диалоговой генерации текста и ответов на вопросы по длинным документам с использованием протокола ReadTwice: текст обрабатывается секциями, а компактная память объёмом до 1 024 токенов полностью заменяется по мере чтения. В обучении использованы длинные сценарии исправления и задачи переноса между типами заданий. В README приведены результаты оценивания на контекстах до 448 тыс. токенов в протоколе ReadTwice, а также результаты на наборах LongBench. При этом собственный предел позиций конфигурации составляет 32 768 токенов; для длинных запросов в оценивании применялось масштабирование YaRN. Чекпойнт опубликован в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

MemSearcher-7B — поисковый агент для ответов на вопросы, разработанный на базе Qwen/Qwen2.5-7B-Instruct и дообученный методом обучения с подкреплением multi-context GRPO. Модель поддерживает компактную память: на каждом шаге получает вопрос и текущее состояние памяти, решает, нужен ли поиск в Википедии, анализирует найденные сведения и обновляет память, сохраняя в ней данные, полезные для ответа. Модель предназначена для одношаговых и многошаговых вопросов по внешним знаниям. По данным карточки, на семи тестах QA с корпусом Wikipedia-18 средний Exact Match составляет 48,9; оценка относится к описанному в карточке эксперименту и не гарантирует такой же результат в других условиях. Компактное представление контекста помогает удерживать его размер почти постоянным в многошаговом поиске. Для работы нужен отдельный поисковый модуль Википедии и цикл оркестрации агента; модель сама по себе не является готовым поисковым сервисом. Архитектура — плотная Qwen2, 7,1 млрд параметров, контекст до 32 768 токенов; основной язык карточки — английский. Лицензия — Apache-2.0.

Карточка модели Arlizaethnunez/modelo-qa-pdqa-final на Hugging Face совпадает с карточкой Arlizaethnunez/modelo-qa, поэтому описание составлено по ней. Arlizaethnunez/modelo-qa — модель для извлечения ответов на вопросы на испанском языке. Она дообучена на обучающей части набора Lisibonny/pdqa на основе Lisibonny/modelo_qa_beto_squad_es_pdqa и использует архитектуру BERT с головой BertForQuestionAnswering; размер модели — 137,1 млн параметров, формат весов — safetensors. Модель принимает вопрос и текстовый контекст, затем выбирает ответный фрагмент непосредственно из контекста. Она предназначена для поиска фактов в предоставленных текстах и извлекающего ответа на вопросы на испанском. В карточке приведены метрики на небольшой валидационной выборке из 15 примеров: итоговая конфигурация получила Exact Match 73,33 и F1 80,15. Контекст модели — до 512 токенов. Обучение выполнено на 45 примерах, поэтому качество может быть нестабильным за пределами близких данных и сценариев. Модель не формулирует ответ самостоятельно и не ответит содержательно, если нужного фрагмента нет в контексте. Лицензия в предоставленных данных не указана.

bhavikardeshna/multilingual-bert-base-cased-vietnamese — модель семейства BERT, представленная в формате PyTorch и предназначенная для ответов на вопросы. По метаданным, она содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов. Карточка README не содержит дополнительного описания назначения или обучения модели. Модель подходит для сценариев извлечения ответа из текста в формате вопроса и контекста. Метаданные не подтверждают конкретные языки, лицензию или происхождение чекпойнта, поэтому эти характеристики не уточняются.

Skiuphill/my_awesome_qa_model — дообученная Skiuphill модель DistilBERT для ответа на вопросы. Она использует архитектуру DistilBertForQuestionAnswering и предназначена для извлечения ответа из текста по заданному вопросу. Контекст ограничен 512 токенами. Модель основана на distilbert/distilbert-base-uncased, работает с текстом на английском языке и сохранена в формате safetensors. В карточке указана оценка Loss 1.5332 на тестовой выборке, но набор данных и подробности оценки не описаны. Лицензия — Apache-2.0.

Ganu000/nepali-e5-base-v1 — модель эмбеддингов для поиска по текстам на непальском языке, разработанная автором репозитория на основе дообучения multilingual-e5-base. Она кодирует запросы и документы в векторы размерности 768 и предназначена для семантического поиска, извлечения релевантных фрагментов и межъязыкового поиска с английскими запросами. Архитектура — XLM-RoBERTa; в метаданных указано 305,2 млн параметров, библиотека Sentence Transformers и контекст до 514 токенов. В тесте автора на 50 тысячах фрагментов непальской Википедии модель показала качество, сопоставимое с более крупными multilingual-e5-large и bge-m3, при более высокой скорости индексации. Она также лучше обрабатывает непальский, набранный латиницей, чем сравниваемые универсальные модели, но эти результаты получены на синтетической транслитерации. Модель распространяется по лицензии Apache-2.0. Качество за пределами википедийного домена не установлено; оценка основана на 92 запросах, поэтому небольшие различия в метриках ненадёжны. Поддержка латинизированного непальского частичная, а качество на вводе реальных пользователей может быть ниже. Для этого сценария автор рекомендует предварительную транслитерацию в деванагари.

Карточка модели birgermoell/oellm-9b-256k-theta64m-prelude на Hugging Face совпадает с карточкой openeurollm/oellm-9b-256k-theta64m-prelude, поэтому описание составлено по ней. OELLM 9B — 256K context (ABF, θ=64M) — prelude — базовая плотная языковая модель OpenEuroLLM на архитектуре Qwen3. Это продолжение предобучения модели prelude с контекстным окном до 262 144 токенов; модель не настроена для следования инструкциям. В README указаны 9B параметров, тогда как метаданные Hugging Face указывают 8B. Модель поддерживает 37 европейских языков, включая английский, немецкий, французский, испанский, польский и украинский; метаданные подтверждают языковые теги для части этого набора. Модель предназначена для генерации продолжений и работы с длинными текстами, в том числе поиска сведений на разных позициях в контексте до 256K токенов. По оценке single-needle NIAH из README, результат на 256K составил 90% на 185 испытаниях в семи языках; более широкая оценка RULER ещё не проводилась. Для обработки контекста 256K требуется несколько GPU. Для такого режима README рекомендует сохранять rope_theta=64000000 и max_position_embeddings=262144. Модель распространяется по лицензии Apache-2.0. Поскольку это базовая модель без инструкционной настройки, она ориентирована на продолжение текста, а не на диалоговое следование запросам; также отмечен умеренный эффект «потери в середине» контекста.

Ops-MM-embedding-v1-7B — плотная мультимодальная модель эмбеддингов, разработанная командой Alibaba Cloud OpenSearch-AI и дообученная на базе Qwen2-VL-7B-Instruct. Она кодирует текст, изображения, пары «текст—изображение», визуальные документы и видео в единое пространство эмбеддингов; видео обрабатывается через отдельные кадры как изображения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Модель предназначена для межмодального поиска и извлечения информации, включая поиск по визуальным документам и видео. В README заявлены высокие результаты на бенчмарках MMEB-V2, MMEB-Image и ViDoRe-v2, а также многоязычное обобщение. Эти результаты характеризуют оценку на указанных наборах и сами по себе не гарантируют качество для конкретных данных или сценария. Распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет точный набор поддерживаемых языков и не приводит детальных рекомендаций по извлечению эмбеддингов или требованиям к вычислительным ресурсам.

Ornith-9B Custom — Damien FLETY (damfle) выполнил дообучение модели Ornith-1.0-9B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают 7,5 млрд параметров. Модель поддерживает диалог и работу с изображениями, а её основное назначение по карточке — интеграция в RAG-сценарии и эффективный инференс. Модель можно применять для вопросов по документам с контекстом из поиска и для диалога с визуальными входными данными. В README упомянуты планы оптимизации для 4-битной квантизации и FP8, однако они обозначены как будущие; среди форматов репозитория указаны safetensors. Метаданные задают языки карточки как французский и английский. Лицензия указана как ISC, хотя README говорит, что модель наследует лицензию базовой модели и предлагает свериться с её условиями.

PIXIE-Rune-v1.5 — модель эмбеддингов на базе Sentence Transformers, разработанная компанией TelePIX Co., Ltd. Она предназначена для семантического поиска и информационного поиска, особенно на корейском и английском языках; модель также показывает хорошие результаты в аэрокосмической тематике и подходит для поиска по техническим документам и ответов на вопросы по ним. Архитектура включает XLM-RoBERTa, пулинг CLS-токена и нормализацию выходных векторов. Модель содержит 658,7 млн параметров, формирует эмбеддинги размерности 1024 и поддерживает контекст до 8194 токенов по метаданным; в README указана максимальная длина последовательности 6144 токена. Для сравнения текстов используется косинусное сходство. Модель обучена с дообучением на наборах данных информационного поиска на корейском и английском языках. Она может применяться для семантического поиска, извлечения релевантных документов и построения многоязычных систем поиска. Лицензия — Apache-2.0. Ограничения: основная оптимизация выполнена для корейского и английского языков, а качество на других языках и за пределами задач поиска в карточке не подтверждено. Для использования в поисковой системе требуется отдельный механизм индексации и ранжирования результатов.

PubMedBERT Embeddings 500K — компактная англоязычная модель эмбеддингов от NeuML для поиска и сопоставления медицинских текстов. Это версия PubMedBERT Embeddings 2M с сокращённым словарём: оставлена четверть наиболее часто используемых токенов. В метаданных указаны архитектура Model2Vec с плотными векторами, формат safetensors и контекст до 1 000 000 токенов. Модель подходит для построения семантического поиска и баз знаний для RAG, а также для сравнения вопросов с ответами, заголовков со статьями и статей с аннотациями. README приводит результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary; на этих тестах версия 500K показала лучшие результаты среди перечисленных компактных вариантов. Модель доступна по лицензии Apache 2.0.

tobil/qmd-query-expansion-1.7B-gguf — дообученная модель на базе Qwen/Qwen3-1.7B, разработанная для расширения поисковых запросов в гибридном пайплайне QMD. Она преобразует исходный запрос в структурированные варианты для разных механизмов поиска: короткие ключевые фразы с префиксом lex: для полнотекстового BM25-поиска, естественно-языковые формулировки с префиксом vec: для векторного поиска и гипотетический фрагмент документа с префиксом hyde: для retrieval по технике HyDE. Модель предназначена для систем поиска, которым требуется повысить полноту и качество выдачи по коротким или неоднозначным запросам. Она использует архитектуру Qwen3 размером 1,7 млрд параметров, формат GGUF и текстовую генерацию; заявлен английский язык. Обучение включало supervised fine-tuning с LoRA и последующее reinforcement learning методом GRPO на примерах расширения запросов. Формат GGUF ориентирован на локальное развёртывание с Ollama или llama.cpp. Сильной стороной модели является специализированная генерация нескольких типов расширений, совместимых с тремя поисковыми бэкендами QMD. Ограничения включают узкую специализацию на расширении поисковых запросов, зависимость качества от английских входных данных и отсутствие в представленном описании сведений о точных результатах оценки, требованиях к памяти, поддерживаемой длине контекста и параметрах квантования. Модель распространяется по лицензии MIT.