I.1Поиск и навигация по информации

NanoVDR-Q-ModernBERT-Qwen3VL8B-4096-ML — текстовый энкодер примерно на 152 млн параметров, разработанный командой NanoVDR как башня запросов для визуального поиска по документам. Модель преобразует запрос в L2-нормированный вектор размерности 4096, совместимый с эмбеддингами документов от NanoVDR-D-HiRes-Qwen3VL8B-4096, NanoVDR-D-Fast-Qwen3VL8B-4096 и учительской Qwen3-VL-Embedding-8B. По метаданным это дообученная ModernBERT-base; README описывает дистилляцию по косинусному сходству на кэшированных эмбеддингах учителя. Модель предназначена для поиска релевантных страниц в документах по текстовому запросу, когда важнее качество выдачи, чем минимальная задержка. В README приведены результаты оценки на ViDoRe: в изоляции башни запросов средний NDCG@5 составляет 67,40 против 71,05 у учителя. Модель принимает обычный текст запроса без префикса-инструкции и выдаёт эмбеддинг; изображения она не принимает. Обучающая смесь включает 711 тысяч английских запросов и 778 тысяч переводов на пять европейских языков с латинской письменностью. Эти языки в README не перечислены. Переносимость на китайский, японский, арабский и другие нелатинские письменности не проверялась. Контекст модели по метаданным — 8192 токена. README сообщает, что модель примерно в пять раз медленнее DistilBERT-башни по запросам, но выигрывает у неё 1,04 пункта среднего NDCG@5 в приведённом сравнении. Лицензия — MIT.

horsbug98/Part_1_mBERT_Model_E1 — модель на архитектуре BERT для ответов на вопросы. Она дообучена на наборе tydiqa secondary_task от henryk/bert-base-multilingual-cased-finetuned-dutch-squad2; в репозитории указаны веса PyTorch и около 205,1 млн параметров. Модель принимает текст вопроса и контекста и предназначена для извлечения ответа из текста. Максимальная длина контекста составляет 512 токенов. Карточка не описывает результаты оценки или специальные сценарии применения. Производная базовая модель мультиязычная и ориентирована на нидерландский, однако целевой языковой охват этого чекпойнта отдельно не уточнён. Лицензия в предоставленных данных не указана.

PubMedBERT-QNLI — модель на базе BERT, дообученная на задаче QNLI для проверки того, следует ли ответ на вопрос из заданного контекста. Её можно применять для поиска по документам: модель получает вопрос и текст документа и определяет, содержит ли он ответ. Метки результата: entailment и not entailment. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает пары текстов в формате вопроса и контекста. Максимальная длина контекста — 512 токенов. Основа — PubMedBERT, предварительно обученный на биомедицинских текстах; модель предназначена для задач на медицинских и научных документах. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Minbyul разработал Asis-GRPO — продолжение дообучения модели Qwen3.5-35B-A3B-Asis методом обучения с подкреплением GRPO. Это смесь экспертов (MoE) с примерно 35 млрд параметров всего и 3 млрд активных на токен; веса опубликованы в формате bf16 в safetensors. Модель предназначена для многошагового агентного поиска в интернете: она использует инструменты поиска, открытия страниц и поиска по странице, а обучение нацелено на решение, когда остановить поиск и сформулировать ответ. По описанию автора, выбранный контрольный снимок сохраняет точность на уровне SFT-базовой модели и сокращает лишний поиск после того, как ответ уже дан. Модель рассчитана на исследование обучения агентов моменту остановки и может использоваться как более экономный по поиску вариант Asis SFT при совместимых инструментах и формате запросов. Контекст обучения родительской модели составлял 131 072 токена; это не подтверждает такой же нативный предел контекста данного снимка. Это исследовательский артефакт, настроенный под конкретную поверхность инструментов и формат подсказок; выгоды следует повторно проверять при смене инструментов или критериев вознаграждения. Дополнительное выравнивание безопасности не проводилось. Лицензия — Apache-2.0.

Surromind/RetrievalLLM-preview — разработанная Surromind модель для RAG-сценариев, созданная полным дообучением Qwen2.5-14B на специализированных корейских наборах данных для поиска, ответов на вопросы и рассуждений. Она принимает запрос и найденные документы, а затем формирует структурированный JSON с релевантными документами, выдержками-источниками, кратким ответом и версией ответа с цитатами. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка описывает работу с корейскими административными и новостными документами, книгами, таблицами, финансовыми и юридическими текстами. Для обучения использовались H100, bf16 и три эпохи полного дообучения. Лицензия — Apache-2.0. Модель предназначена для генерации ответов, основанных на переданных документах, включая указание источников. Качество зависит от релевантности и полноты документов, предоставленных на вход; заявленная ориентация на корейский язык не подтверждает поддержку других языков.

Den4ikAI/rubert_large_squad_2 — русскоязычная модель ответов на вопросы на базе ruBert-base от Sberbank AI. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель построена на архитектуре BERT, содержит 205,5 млн параметров и рассчитана на контекст до 512 токенов. По карточке модель дообучена за четыре эпохи на выборке из четырёх примеров; README показывает использование через Transformers pipeline для question-answering. Такой малый объём обучения ограничивает надёжность и обобщение результатов, поэтому качество на новых данных следует проверять отдельно. Модель распространяется по лицензии MIT.

rifkiaputri/xlmr-base-id-finetune-idk-mrc — модель XLM-RoBERTa, дообученная на наборе IDK-MRC для поиска ответов на вопросы в индонезийских текстах. Она предназначена для экстрактивного машинного чтения: на вход получает вопрос и контекст, а на выходе выделяет ответный фрагмент из контекста. Модель содержит около 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для извлечения фактов из индонезийских документов и текстов. В репозитории доступны веса PyTorch и Safetensors. Карточка ссылается на научную статью с подробностями, но не сообщает дополнительных ограничений качества. Лицензия в предоставленных данных не указана.

Это компактная англоязычная модель для извлечения ответов из текста, созданная Janik и Ben в рамках курса DL4NLP под руководством Ivan Habernal. В её основе — xtremedistil-l6-h256-uncased, дообученная на наборе NaturalQuestionsShort из MRQA Shared Task 2019. Модель решает задачу extractive question answering: получает вопрос и текстовый контекст и выбирает из него фрагмент ответа. Её можно применять для ответов на вопросы по документам и веб-текстам, особенно в сценариях, похожих на NaturalQuestionsShort. Это BERT-модель с архитектурой BertForQuestionAnswering, 14,1 млн параметров и контекстом до 512 токенов. Модель работает с английским текстом и распространяется под лицензией MIT. Она специализирована на извлечении ответа из предоставленного контекста; качество для других языков, свободной генерации ответов и контекстов длиннее 512 токенов не подтверждено.

AfrimBert-QA-int4-qat — модель BERT для извлечения ответов на вопросы по тексту, созданная на основе amidblue/AfrimBert-QA с применением обучения с учётом квантования (QAT). Она предназначена для ответов на вопросы по контексту на африканских языках и английском; обучение проводилось на сбалансированной по языкам подвыборке AfriQuAD. Модель содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Репозиторий предоставляет обычный чекпойнт safetensors с весами, адаптированными к сетке квантования, а также целочисленные веса int4 с динамическими активациями int8; эмбеддинги хранятся в int8. Целочисленные веса экономят место, но ускорение вычислений int4 требует совместимого бэкенда. Условия лицензирования в предоставленных данных не описаны; базовая модель ограничена собственными условиями доступа, которые следует проверить перед публикацией производной модели.

bert-24.1 — англоязычная модель BERT для извлечения ответов на вопросы из текста. Она дообучена автором hung200504 на основе deepset/bert-base-cased-squad2 и содержит 135,5 млн параметров. Модель принимает вопрос вместе с текстом и предсказывает ответ, используя контекст длиной до 512 токенов. Модель подходит для поиска ответов в документах и фрагментах текста на английском языке. Для неё указана лицензия CC BY 4.0. В README приведено значение loss 11,5138 на оценочном наборе, но состав набора и методика оценки не описаны, поэтому результат не позволяет надёжно судить о качестве; обучающие данные также не раскрыты.

Карточка модели zohaib99k/Bert_Arabic-SQuADv2-QA на Hugging Face совпадает с карточкой ZeyadAhmed/AraElectra-Arabic-SQuADv2-QA, поэтому описание составлено по ней. AraElectra-Arabic-SQuADv2-QA — модель ZeyadAhmed для извлечения ответов на вопросы по тексту на арабском языке. Она дообучена на AraElectra на наборе Arabic-SQuADv2.0, включающем вопросы без ответа, и использует классификацию для определения таких вопросов. Модель построена на архитектуре ELECTRA и содержит 162,4 млн параметров. Она принимает вопрос и контекст и возвращает найденный в контексте ответ либо определяет, что ответа нет. Максимальная длина контекста — 512 токенов. README рекомендует использовать препроцессор AraBERT для арабского текста. Модель предназначена для извлечения ответов из текстовых отрывков, включая контексты из арабской Википедии и пользовательские тексты. В README описана оценка на тестовой части Arabic-SQuAD 2.0, однако численные результаты не приведены. Лицензия в предоставленных данных не указана.

Terrificfantasm/bert-base-uncased-squad-qa — англоязычная BERT-модель для извлечения ответов на вопросы из предоставленного текста. Автор дообучил google-bert/bert-base-uncased на SQuAD 1.1 методом полного fine-tuning; модель содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Она находит в контексте фрагмент, соответствующий вопросу, и рассчитана на сценарии, где ответ уже присутствует в тексте. На отложенной выборке SQuAD 1.1 из README модель показала exact match 73,6 и F1 83,28 по шкале от 0 до 100. Она не генерирует новые ответы и не оценивает возможность воздержаться от ответа. Результаты получены на одной выборке и с одним seed; модель не проверялась на испанских текстах и корпоративных документах. Лицензия в предоставленных данных не указана.

Это англоязычная модель для ответов на вопросы, созданная csarron и дообученная на контрольной точке Hugging Face BERT base uncased на наборе SQuAD 1.1. Она извлекает ответ из предоставленного текста по заданному вопросу и не различает регистр букв. Модель построена на архитектуре BERT base, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README для оценки на SQuAD 1.1 указаны EM 80,9 и F1 88,2; автор сообщает, что подбор гиперпараметров не проводился. Доступны веса в форматах PyTorch, Flax и safetensors. Модель подходит для англоязычных систем поиска ответов по текстовым фрагментам и документам. Она ограничена задачей извлечения ответа из контекста, обучена на SQuAD 1.1 и может хуже работать на других доменах или языках. Лицензия — MIT.

Компактная модель BERT для ответов на вопросы по заданному текстовому контексту. Это дообученная версия mrm8488/bert-small-finetuned-squadv2 с 32,4 млн параметров; модель построена на плотной архитектуре BERT и распространяется в формате TensorFlow. Она предназначена для извлечения ответа из предоставленного контекста и может воздержаться от ответа, если нужных сведений в нём нет. Максимальная длина контекста — 512 токенов. В карточке указаны результаты обучения: train loss 1,1458, validation loss 0,0 и 13 эпох, однако набор данных неизвестен, а описание модели и ограничений не раскрыто. Базовая модель англоязычная, поэтому её основное применение — вопросы по текстам на английском языке. Лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их с помощью косинусного сходства. Архитектура основана на BERT с CLS-пулингом и нормализацией; контекст — до 512 токенов. Модель предназначена для семантического поиска и сопоставления финансовых фрагментов, включая поиск ответов в документах и сравнение формулировок. Matryoshka-обучение позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. В README приведены результаты InformationRetrievalEvaluator на наборах dim_768, dim_512, dim_256, dim_128 и dim_64; описание датасета указывает на 6 300 пар с положительными примерами и запросами. Модель принимает текст и выдаёт векторы для задач поиска, сходства, кластеризации и классификации текста. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки на независимом финансовом бенчмарке, поэтому качество на конкретных данных следует проверять отдельно.

Модель vblagoje/dpr-question_encoder-single-lfqa-base разработана Владимиром Благойевичем на архитектуре DPRQuestionEncoder. Она преобразует вопросы в векторные представления с использованием выходов pooler трансформера и предназначена для поиска подходящих ответов в системе извлечения информации по длинным вопросам и ответам (LFQA). Модель дообучена на парах вопросов и ответов из набора LFQA с использованием PAQ-предобученного чекпойнта и FAIR dpr-scale. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов, поддержка английского языка и лицензия MIT. Для поиска ответов её используют вместе с соответствующим DPR-кодировщиком контекстов; на бенчмарке KILT для LFQA-системы сообщаются R-precision 6,69 и Recall@5 14,5.

EmbeddingGemma 300M Q8_0 GGUF — квантованная модель для создания эмбеддингов, основанная на google/embeddinggemma-300m. Репозиторий поддерживается Ente и представляет собой побитовую копию одного GGUF-артефакта, опубликованного ggml-org; Ente не изменяла, не переквантизировала и не перепаковывала файл. Модель предназначена для задач получения векторных представлений текста, в частности для локального поиска и retrieval-сценариев на устройствах. Она используется функцией on-device retrieval в Ensu и сохраняет совместимость с опубликованными Ensu knowledge packs. Из известных характеристик: размер базовой модели — 300M параметров, формат — GGUF, тип квантования — Q8_0, назначение — feature extraction и embeddings. Данные о поддерживаемых языках, длине контекста, точной архитектуре и модальностях в README не указаны. К сильным сторонам относятся локальное выполнение, формат GGUF и совместимость с экосистемой Ensu. Ограничения связаны с квантованием и узкой специализацией на получении эмбеддингов; конкретные показатели качества и требования к ресурсам не приведены. Модель распространяется на условиях Gemma Terms of Use и связанной с ними Gemma Prohibited Use Policy.

AXCXEPT әзірлеген EZO-AutoCoTRAG-Qwen2.5-32B-Instruct — Qwen2.5-32B-Instruct негізіндегі мәтін генерациялау диалогтық моделі. Ол Auto-CoT және нақты уақыттағы RAG өңдеуін қосып, күрделі сұрақтарға жауап беру және вебтен алынған өзекті ақпаратты жауапта пайдалану үшін жасалған. Модель тығыз Qwen2 архитектурасына жатады, 32 млрд параметрі және 32 768 токендік контекст терезесі бар; карточкада жапон және ағылшын тілдері көрсетілген. Чат пен құрал шақыру интерфейсін қолдайды. Apache-2.0 лицензиясымен таратылады. Модельдің RAG арқылы сыртқы білімді толықтыруы мен көпқадамды пайымдауы оның негізгі артықшылықтары ретінде сипатталған. Дегенмен, вебтен іздеу мысалында DuckDuckGo қолданылатыны көрсетілген, сондықтан нақты уақыттағы іздеу ортаның интернетке қолжетімділігіне және тиісті құралдардың жұмыс істеуіне тәуелді. Автор оны эксперименттік прототип деп сипаттап, коммерциялық немесе аса маңызды жүйелерге енгізуге арналмағанын және нәтижелеріне кепілдік бермейтінін ескертеді.

girenit-TR-QA, girenit tarafından geliştirilen, Türkçe bağlamlardan yanıt metnini çıkaran SQuAD tarzı soru-cevap modelidir. Model BERTurk tabanlı, 137,8 milyon parametreli BERT энкодерidir ve 512 belirteçlik bağlamı destekler. README'ye göre model, insan etiketli TQuAD2 verisiyle iki эпохada дообучен и оценён на TQuAD2 и XQuAD-tr. Модель предназначена для извлечения ответов из переданного контекста, в том числе в системах RAG и при поиске ответов в документах. На валидации TQuAD2 указаны EM 53,8% и F1 72,7%, на XQuAD-tr — EM 46,1% и F1 64,5%. Лицензия MIT. Качество зависит от релевантности и полноты контекста; модель извлекает ответ из него, а не предназначена для свободной генерации.

GVE-7B (General Video Embedder) — мультимодальная модель эмбеддингов Alibaba-NLP на базе Qwen2.5-VL-7B-Instruct, дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она предназначена для поиска видео по тексту, изображению, другому видео или их комбинациям, включая запросы о пространственных и временных деталях и поиск по длинным видеоконтекстам. Модель принимает текст, изображения и видео, преобразует их в представления для поиска и поддерживает zero-shot-сценарии без обучения на данных конкретного домена. В карточке заявлена оценка по девяти возможностям, охватывающим три типа поиска и шесть предметных сценариев; также приведены результаты бенчмарка UVRB. Модель содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и использует архитектуру Qwen2.5-VL; для работы указан Transformers. Лицензия — Apache-2.0. Оценки качества в README относятся к UVRB, поэтому сами по себе не гарантируют аналогичных результатов на других наборах видео и запросов.

monologg/koelectra-base-v3-finetuned-korquad — модель для ответов на вопросы, разработанная пользователем monologg на основе корейской версии ELECTRA. Она дообучена для извлечения ответа из предоставленного текста: на вход подаются вопрос и контекст, а модель определяет фрагмент контекста, который отвечает на вопрос. Модель построена на архитектуре ELECTRA для вопросно-ответной задачи, содержит около 140,1 млн параметров и поддерживает последовательности длиной до 512 токенов. Она предназначена для корейского языка и может применяться, например, для поиска ответов в корейских документах. Карточка Hugging Face предоставляет её для использования через Transformers. Ограничения: модель ориентирована на извлечение ответа из заданного контекста и не предназначена для свободной генерации ответов без него. Контекст ограничен 512 токенами. Лицензия в доступных данных не установлена.

m-BERT Indonesian MRC (cased) — модель на архитектуре BERT, дообученная Rifkiaputri на наборе данных IDK-MRC для извлечения ответов на вопросы по тексту на индонезийском языке. Она принимает вопрос и контекст и выделяет в контексте фрагмент, который отвечает на вопрос. Модель подходит для систем поиска ответов по индонезийским документам и текстам. Модель содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов. Она распространяется в форматах PyTorch и Safetensors. Сведения о лицензии в доступных материалах отсутствуют.

mBERT Bengali Question Answering — модель Sagor Sarker для ответов на вопросы по тексту на бенгальском языке. Она создана дообучением bert-base-multilingual-uncased на бенгальских данных TyDiQA и использует архитектуру BERT с головой для извлечения ответа. Модель принимает вопрос и контекст и возвращает ответ из контекста. Размер составляет 194,6 млн параметров, длина контекста — до 512 токенов. В карточке приведены результаты оценки на этапе обучения: Exact Match 57,52 и F1 68,66. Модель подходит для поиска ответов в бенгальских текстах и построения систем вопросно-ответного поиска. Она не предназначена для свободной генерации ответов вне переданного контекста; результаты оценки относятся к обучающей оценке. Лицензия — MIT.

intanm/mbert-squadv2 — модель на архитектуре BERT, дообученная автором на bert-base-multilingual-cased на наборе данных SQuAD v2 для ответов на вопросы по предоставленному тексту. Она предсказывает ответ на основе контекста и может сигнализировать, что в контексте ответа нет. Модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Мультиязычная базовая модель позволяет применять её к текстам на нескольких языках; карточка не уточняет, на каких языках проводилось дообучение. На оценочной части SQuAD v2 указано значение Loss 0,9959, но других результатов и рекомендаций по использованию автор не приводит. Лицензия — Apache-2.0.

csarron/mobilebert-uncased-squad-v1 — модель MobileBERT, дообученная на наборе SQuAD 1.1 для ответов на вопросы по заданному тексту. Она использует компактную архитектуру на основе BERT с узкими слоями и балансом механизмов внимания и прямого распространения; в метаданных указаны 59,7 млн параметров, контекст до 512 токенов и форматы PyTorch и Safetensors. Базовая модель — google/mobilebert-uncased. Модель предназначена для извлечения ответа из предоставленного фрагмента текста по вопросу на английском языке. В README приведены результаты на SQuAD 1.1: EM 82,6 и F1 90,0. Лицензия — MIT. Она не предназначена для генерации развернутых ответов вне контекста или для языков, отличных от английского.

muRIL-squad-nep-translated-squad — модель для ответов на вопросы на основе архитектуры BERT, разработанная как дообученная версия suban244/muRIL-squad. Она предназначена для извлечения ответа из предоставленного текста и может применяться в системах поиска ответов по документам. Модель содержит 264,8 млн параметров и принимает контекст длиной до 512 токенов. Карточка указывает, что для дообучения использован неизвестный набор данных; сведений о лицензии и оценке качества нет.

PIXIE-Splade-v1.0 — разреженный двуязычный поисковый энкодер, разработанный компанией TelePIX Co., Ltd. Модель предназначена для поиска документов и технической информации на корейском и английском языках, особенно в аэрокосмической области. Она формирует разреженные векторы размерностью 50 000, где веса токенов можно индексировать в Lucene или Elasticsearch и анализировать, чтобы понять, какие слова повлияли на совпадение. Модель построена на ModernBERT с архитектурой ModernBertForMaskedLM и пуллингом SPLADE; метаданные указывают 148,7 млн параметров и контекст до 16 384 токенов. В README заявлена максимальная длина последовательности 5 632 токена. Для оценки поиска приведены результаты на корейских и англоязычных наборах, включая аэрокосмический STELLA и бенчмарки MTEB и BEIR. Выходы подходят для разреженного поиска и гибридного ранжирования с плотными ретриверами. Модель распространяется по лицензии Apache-2.0. Она предназначена для извлечения признаков и поискового ранжирования, а не для генерации ответов; качество за пределами корейского и английского языков и аэрокосмических сценариев отдельно не подтверждено.

MarkrAI — исследовательская команда, выпустившая RAG-KO-Mixtral-7Bx2-v1.15: корейскую модель генерации текста для сценариев Retrieval-Augmented Generation (RAG). Модель основана на DopeorNope/Ko-Mixtral-v1.3-MoE-7Bx2 и дообучена методом QLoRA на частном датасете Korean-RAG-ver2. В архитектуре используется Mixtral MoE; число параметров — 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с опорой на предоставленные при поиске материалы, в том числе в многодоменных сценариях. Для обучения применялись 4-битная квантизация и LoRA с рангом 64. Репозиторий содержит веса safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; результаты бенчмарков в карточке отсутствуют.

NorskHelsenett разработала SPLADE-v1 — разреженный поисковый энкодер на базе multilingual BERT с архитектурой BertForMaskedLM и 194,6 млн параметров. Модель преобразует норвежский текст в разреженные векторы по словарю: взвешивает исходные термины и добавляет связанные слова, чтобы находить документы, даже когда пользователь формулирует запрос иначе, чем авторы источника. Контекст ограничен 512 токенами; модель работает через sentence-transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для первичного поиска документов и гибридного поиска в материалах о здравоохранении, социальном обеспечении и вспомогательных технологиях на норвежском букмоле. Векторы можно индексировать как взвешенные термины в Elasticsearch или OpenSearch и использовать совместно с плотным поиском и переранжировщиком. Обучение включало дистилляцию от более сильной ранжирующей модели и регуляризацию разреженности; оценка проводилась на норвежских вопросах с размеченными источниками. Модель лучше подходит для поиска на уровне документов и дополнения гибридной системы, чем для самостоятельного ранжирования коротких фрагментов. Она настроена на норвежский букмол и указанные предметные области, поэтому перенос на другие языки и домены может быть слабым; длинные документы следует разбивать на части до 512 токенов.

Splinter-base с предобученными весами слоя QASS — модель семейства Splinter, разработанная авторами работы Few-Shot Question Answering by Pretraining Span Selection. Она предназначена прежде всего для извлечения ответа из текста и ответов на вопросы в режиме few-shot, когда доступно мало размеченных примеров. Модель обучалась на сыром тексте с помощью задачи Recurring Span Selection: она учится находить повторяющиеся фрагменты и выбирать нужный фрагмент по вопросу. В репозитории указана архитектура SplinterForQuestionAnswering, 135,5 млн параметров и контекст до 512 токенов; модель чувствительна к регистру. Предобучение проводилось на материалах Wikipedia и BookCorpus. Модель принимает текст и возвращает извлечённый ответ в виде текстового фрагмента. Она рассчитана на английский язык и распространяется по лицензии Apache-2.0. Её основное применение — few-shot извлечение ответов; для других языков и сценариев карточка не заявляет поддержку.