I.1Поиск и навигация по информации

Это англоязычный биомедицинский Cross Encoder, дообученный авторами tomaarsen на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на данных MIRIAD. Модель оценивает пары «вопрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска по биомедицинским материалам. Архитектура основана на BERT и реализована как BertForSequenceClassification с одним выходным баллом. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 384 токена. Модель принимает текст на английском языке и выдаёт оценку релевантности пары текстов. В README приведены результаты оценки на наборах NFCorpus, SciFact и SciDocs, причём качество различается между наборами. Лицензия — MIT. Ограничения: модель рассчитана на англоязычные биомедицинские тексты, а последовательности ограничены указанной длиной; показатели на отдельных тестовых наборах неоднородны, поэтому качество для других корпусов не гарантировано.

BradechiO/tds-bert-qa-squad — англоязычная модель для извлечения ответов на вопросы, разработанная в рамках учебного задания. Она основана на архитектуре BERT и обучена для extractive question answering на наборе SQuAD v1.1: находит ответный фрагмент в предоставленном тексте. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 512 токенов. В README приведены результаты оценки на подвыборке из 2 000 примеров валидационной части SQuAD: Exact Match 60,70 и F1 71,74. Модель подходит для ответов на вопросы по англоязычным текстам, когда ответ должен содержаться в исходном контексте. Лицензия в предоставленных данных не указана.

TSFT-RAG Qwen2.5-0.5B-Instruct — компактная языковая модель на архитектуре Qwen2ForCausalLM с 494 млн параметров, разработанная независимым исследователем Sascha Frank как полно-параметрическая донастройка Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для экспериментов с генерацией ответов на основе найденных документов (RAG): отвечает с опорой на переданный контекст, может воздерживаться от ответа при недостатке свидетельств, формировать JSON и включать ссылки на источники. Контекст модели — до 32 768 токенов. Модель обучалась на специализированном корпусе на немецком языке. В сравнении с исходной моделью на тесте из 1 940 примеров улучшились агрегированный результат и обработка вопросов без достаточного контекста, но снизился показатель grounded QA; эти результаты относятся к конкретной оценке и не гарантируют качества в других сценариях. Модель следует применять вместе с извлечёнными материалами, а не как самостоятельный источник фактов. Она может ошибаться, неверно использовать контекст или приводить неподтверждённые ссылки; возможности за пределами исследованных форматов систематически не проверялись. Весовые файлы опубликованы в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0.

chieunq/XLM-R-base-finetuned-uit-vquad-1 — дообученная модель XLM-RoBERTa-base для ответов на вопросы по тексту на вьетнамском языке. Она обучена на наборе UIT-ViQuAD и возвращает найденный в контексте фрагмент ответа вместе с оценкой уверенности и позициями начала и конца фрагмента. В карточке указаны результаты: EM 60,63 и F1 79,63. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и веса PyTorch; длина контекста — 514 токенов. Подходит для извлечения ответов из вьетнамских текстов при наличии вопроса и контекста. Условия лицензии в доступных данных не приведены.

Dalila-Ku/bert-base-squad-qa — дообученная Universidad Politécnica de Yucatán модель BERT-base-uncased для извлечения ответов из контекста. Голова qa_outputs предсказывает начальный и конечный токены фрагмента ответа. Модель обучена на 15 000 примерах SQuAD v1.1; для контекстов длиннее лимита применялись окна с перекрытием. Размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для ответов на вопросы по коротким англоязычным текстам в стиле SQuAD. На отложенном тесте SQuAD автор сообщает Exact Match 71,16% и F1 81,06%. Она подходит для извлечения фрагментов, прямо присутствующих в предоставленном контексте. Лицензия — Apache-2.0. Качество ограничено обучением на сокращённой выборке: результат ниже опубликованных ориентиров для BERT-base, обученного на полном наборе SQuAD. Модель не генерирует ответы и не поддерживает вопросы без ответа в контексте; обучение проведено с одним seed и без широкого поиска гиперпараметров.

Модель anhcanvasasia/bert-large-japanese-wikipedia-ud-head-finetuned-inquiry — вариант BERT-large, дообученный на базе KoichiYasuoka/bert-large-japanese-wikipedia-ud-head для ответа на вопросы. В README набор данных для дообучения не назван; архитектура — плотная модель BERT с головой BertForQuestionAnswering, размер составляет 409,1 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения ответов на вопросы из предоставленного текста на японском языке, что подходит, например, для поиска ответов в японских статьях Википедии. В README приведён результат оценки Loss 1,9130, но подробности набора данных и методики оценки отсутствуют. Модель распространяется по лицензии CC BY-SA 4.0. Практическое качество на иных данных не подтверждено; для применения стоит проверить её на целевых текстах и вопросах.

Cassandre-RAG — дообученная PleIAs модель семейства Llama 3.1 для генерации ответов по найденным документам, прежде всего по французским административным материалам в сфере школьного управления. Она ожидает структурированный запрос с блоками вопроса и источников; каждому источнику нужно присвоить идентификатор. Модель формирует ответ с указанием использованных фрагментов и документов. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Заявленная длина контекста — 131 072 токена. Для обучения использовались синтетические запросы, документы, найденные по BM25, и подготовленные на их основе ответы. В примере применения поиск и эмбеддинги выполняются отдельными компонентами, а Cassandre-RAG генерирует ответ по переданным источникам. Модель предназначена для вопросов и ответов с опорой на документы; качество результата зависит от релевантности и полноты предоставленных источников. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Модель asaduas/distilbert-base-uncased-indonesia-squadv2 — дообученная версия DistilBERT для ответов на вопросы по контексту. По названию она предназначена для индонезийского языка; в карточке указана оценка на наборе из 24 952 примеров: exact match 42,30 и F1 54,12. Модель принимает текст вопроса и контекста и предсказывает ответ в формате извлечённого фрагмента текста. Она основана на DistilBERT и поддерживает контекст длиной до 512 токенов. Подходит для систем вопросов и ответов по документам на индонезийском языке; приведённые результаты показывают ограничения точности, поэтому ответы требуют проверки. Лицензия — Apache-2.0.

ybelkada/japanese-roberta-question-answering — японская модель вопросно-ответного поиска, дообученная на наборе JaQuAD. Она использует архитектуру RoBERTa и предназначена для извлечения ответа из предоставленного текста по вопросу на японском языке. Модель содержит 137,8 млн параметров, работает с текстом и имеет контекст длиной до 514 токенов. Модель подходит для поиска ответов в японских документах и создания систем вопросов и ответов по заданному контексту. В README отмечено, что виджет вопросов и ответов Hugging Face не работает, а запуск через Transformers Pipeline также вызывал ошибку. Модель распространяется по лицензии CC BY-SA 3.0.

AIAT/Kiddee-qatable1 — модель на архитектуре LLaMA, созданная на основе openthaigpt/openthaigpt-1.0.0-13b-chat и предназначенная для ответов на вопросы по таблицам. Карточка описывает её применение в системе вопросно-ответного поиска с генерацией ответов, использующей подход RAG. Модель содержит 12,9 млрд параметров, работает с текстом и поддерживает тайский и английский языки. Указанная длина контекста — 4096 токенов. В карточке приведены метрики: accuracy 0,53 и время ответа 2,440; условия измерения не описаны. Репозиторий содержит веса Safetensors, библиотека метаданных — Transformers. Лицензия — Apache-2.0.

Labira/LabiraPJOK_3x_50 — дообученная модель на базе Labira/LabiraPJOK_2x_50 для ответов на вопросы. Она использует архитектуру BERT с головой BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. Модель распространяется в формате TensorFlow по лицензии MIT. В карточке приведены результаты обучения: ошибка на обучающей выборке 0,0125 и на валидационной выборке 1,5431 после 49-й эпохи. Датасет, языки и практические ограничения модели не описаны; качество ответов вне указанного оценочного набора не установлено.

ParsBERT Question Answering — модель на архитектуре BERT, дообученная автором репозитория на обучающей выборке PQuAD для извлечения ответов из персидского текста. Она принимает вопрос вместе с контекстом и предсказывает фрагмент контекста в качестве ответа. Базовый ParsBERT предварительно обучен на крупных персидских корпусах разных жанров; модель содержит 190 млн параметров и поддерживает контекст длиной до 512 токенов. Модель предназначена для ответов на вопросы по персидским документам и оценивается на персидском тестовом наборе PQuAD. В карточке приведены результаты: Exact Match 47,44 и F1 81,96. Доступны веса PyTorch и TensorFlow. Автор сообщает, что более длительное обучение ухудшало результаты; качество может быть ниже на данных, отличающихся от PQuAD. Лицензия в предоставленных данных не указана.

Pulsar-Knowledge-RAG — модель семейства BERT, представленная аккаунтом procedure2012 и предназначенная для поиска знаний с опорой на источники и ответов в сценариях RAG. В метаданных Hugging Face указаны архитектура BertModel, библиотека Transformers, формат PyTorch и задача feature-extraction. README приводит результаты внутренних сравнений по математическому, логическому и commonsense-рассуждению, но не раскрывает размер модели, длину контекста или подробности обучения. Модель может использоваться как компонент конвейера извлечения признаков для поиска релевантных знаний и формирования ответов, опирающихся на найденные материалы. Репозиторий распространяется по лицензии CC BY 4.0. Оценки из README не сопровождаются описанием методики и не позволяют независимо сравнить качество.

KhanCold/qwen3-8b-spader — контрольная точка Qwen3, представленная в работе SPADER о многоответных вопросах и ответах. Модель разработана в рамках исследования метода обучения с подкреплением, который нацелен на длительное использование инструментов при поиске нескольких ответов. В SPADER применяется пошаговое распределение заслуг между параллельными траекториями без отдельной критической модели, а также награда за разнообразие, поощряющая поиск редких сущностей и снижающая ценность повторов. Контрольная точка построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров; заявленный размер контекста — 40 960 токенов. Она предназначена для генерации текста и диалогового взаимодействия. Карточка не приводит результаты оценки качества, перечень поддерживаемых языков или конкретный интерфейс инструментов. Модель распространяется по лицензии Apache-2.0.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT_RL на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Kyrmasch/t5-kazakh-qa — модель на архитектуре mT5, разработанная Алдияром Сакеном, Султанияром Куандыком, Алибеком Камилулы, Курмашем Апаевым, Адаем Шомановым и Алией Нугумановой. Она дообучена на 30 000 примерах казахской версии Stanford Question Answering Dataset (SQuAD) и предназначена для ответов на вопросы по тексту на казахском языке. Модель содержит 371,7 млн параметров и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит сведений о длине контекста.

TSFT-RAG Qwen2.5-1.5B-Instruct — компактная языковая модель семейства TSFT-RAG, разработанная Sascha Frank AI Research. Это полно-параметрическая донастройка Qwen/Qwen2.5-1.5B-Instruct с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров; она принимает текст и выдаёт текст. Модель рассчитана на RAG-сценарии: ответы по предоставленному контексту, отказ от ответа при недостатке свидетельств, структурированные JSON-ответы и ответы с указанием источников. Поддерживает контекст до 32 768 токенов и обучалась на корпусе инструкций преимущественно на немецком языке. В описанной оценке модель лучше базовой версии справлялась с трудными отрицательными примерами, корректностью JSON и ответами с опорой на источники, однако её результат на grounded QA и аналитических задачах снизился. Это экспериментальная модель для исследований и тестирования RAG, а не самостоятельный источник фактов; качество зависит от найденных документов, а цитаты не гарантируют подтверждения утверждений. Лицензия — Apache-2.0.

WebBrain Compass Tiny v2.1 — компактная языковая модель, разработанная webbrain-one для низколатентного принятия решений, структурированного вызова инструментов и агентского выполнения действий в браузере. Она дообучена на базе OpenBMB MiniCPM5-2B примерно с 2,6 млрд параметров через webbrain-one/webbrain-compass-tiny-v2; версия v2.1 представляет собой экспортную и runtime-ревизию, а не новый цикл предварительного обучения или дообучения. Модель предназначена для локального выполнения в браузере без облака с использованием Transformers.js, ONNX Runtime Web и WebGPU. Она поддерживает режимы ответа или запроса недостающих сведений, выбора браузерных инструментов с аргументами, привязанными к accessibility tree, а также безопасного отказа или передачи задачи на более высокий уровень при недостаточной обоснованности. Используются асимметричные INT4-веса GPTQ с group size 32, FP16-активации, масштабы и KV cache; поставляется ONNX-граф для q4f16. Визуальная модальность и режим рассуждений отключены, модель работает только с текстом. Сильной стороной v2.1 является оптимизация для in-browser WebGPU-инференса и улучшенная числовая совместимость с проверенным runtime по сравнению с предыдущей ревизией. При этом качество INT4-квантизации может снижаться, поведение на других устройствах и runtime не подтверждено, а модель не сертифицирована для автономных consequential-действий: в аудитах сохранялись отдельные нежелательные действия, включая повтор заблокированного URL и выдумывание URL пагинации. Лицензия указана как webbrain-noncommercial-research-restrictions; точные условия приведены в ATTRIBUTIONS.md.

Google BigBird Base Trivia ITC — модель семейства BigBird, дообученная на наборе TriviaQA для ответов на вопросы по тексту. Она использует архитектуру BigBirdForQuestionAnswering с 151,9 млн параметров и контекстом до 4096 токенов. Модель принимает текст вопроса и контекст и предсказывает ответ; карточка указывает английский язык и поддержку PyTorch и JAX. Модель подходит для поиска ответов на вопросы по материалам TriviaQA и аналогичным англоязычным текстам. Веса доступны в форматах PyTorch и Flax; лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений за пределами специализации на вопросно-ответной задаче.

ktrapeznikov/biobert_v1.1_pubmed_squad_v2 — англоязычная модель семейства BERT, разработанная на основе monologg/biobert_v1.1_pubmed и дообученная на SQuAD V2 для извлечения ответов из текста. Она принимает вопрос и отрывок текста и предсказывает фрагмент, который отвечает на вопрос, а также позволяет оценивать, отсутствует ли ответ в отрывке. Модель подходит для поиска ответов в биомедицинских публикациях и других текстах на английском языке. Модель имеет 135,5 млн параметров, использует регистрозависимую токенизацию и поддерживает контекст до 512 токенов. В README приведены результаты на валидационной выборке SQuAD V2: exact match 75,97 и F1 79,37; подбор порога для определения отсутствующего ответа не проводился. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

BMRetriever-410M — дообученная модель семейства GPT-NeoX, разработанная авторами работы BMRetriever о настройке языковых моделей для поиска биомедицинских текстов. Она преобразует текстовые запросы и документы в векторные представления для задач извлечения и поиска релевантной информации в биомедицинских корпусах. Модель содержит 454,2 млн параметров по метаданным и принимает последовательности длиной до 2048 токенов. Модель предназначена для биомедицинского поиска, включая поиск по учебникам, публикациям PubMed и StatPearls, а также биологическим препринтам. README указывает на использование через библиотеку Transformers. Репозиторий распространяется по лицензии MIT. Данные карточки подтверждают задачу извлечения признаков, но не приводят результатов оценки качества.

ContextPilot-E4B-heretic — вариант чекпойнта ContextPilot на базе Gemma 4 E4B Instruct. ContextPilot разработан для исследования проактивного управления контекстом в агентах с длинным горизонтом работы: модель планирует, поддерживает структурированную долговременную память, извлекает сведения и освобождает контекст от менее полезной информации, продолжая рассуждать и пользоваться инструментами. Подход ContextPilot использует набор инструментов управления контекстом, частичные rollout с фокусом на важных решениях по редактированию контекста и детальное распределение вклада промежуточных состояний по результатам последующих ветвей. Модель предназначена для длинноконтекстного ответа на вопросы и задач глубокого поиска. Это плотная архитектура Gemma 4, доступная в формате safetensors и используемая через Transformers. Сам чекпойнт не выполняет инструменты управления контекстом без определений инструментов, агентного runtime и оценочного конвейера из репозитория ContextPilot. В README также приведены результаты abliteration: 32 отказа из 100 против 100 из 100 у исходной модели, при KL-дивергенции 0,0064; теги описывают вариант как uncensored/decensored. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Это модель DeBERTa V2 base для ответов на вопросы на японском языке. Её дообучили на наборе DDQA, посвящённом вопросам и ответам в автомобильной предметной области; также карточка указывает применимость к задачам формата SQuAD. Базовая модель обучена на японской Википедии, японской части CC-100 и японской части OSCAR и опубликована лабораторией Куробаси Киотского университета. Модель содержит 137,8 млн параметров, использует архитектуру DeBERTa V2 и принимает контекст длиной до 512 токенов. В README приведены результаты Exact Match 0,804 и F1 0,896. Доступна в форматах PyTorch и Safetensors через Transformers. Лицензия — MIT.

Модель abhishekai/gemma-2-2b-legal-raft-v2 — дообученная Abhishekai версия Gemma 2 на 2,7 млрд параметров для ответов на вопросы по найденным документам в юридических и финансовых сценариях. Она рассчитана на запросы с тремя кандидатными документами: выбирает источник с ответом и может отказаться отвечать, если ни один документ не содержит нужных сведений. Модель использует плотную архитектуру Gemma2ForCausalLM, поддерживает чат, принимает текст и имеет контекст длиной 8192 токена. Обучение выполнено методом RAFT поверх abhishekai/gemma-2-2b-legal-sft-v2 с QLoRA 4-бит и адаптерами LoRA. В оценке модели заметно улучшилось распознавание вопросов без ответа в документах: она чаще корректно отказывалась и реже отказывалась на вопросах с ответом. На ответимых вопросах преимущество перед базовой моделью не показано. Модель предназначена для английского языка. Отказы часто используют почти шаблонную формулировку, около 2% ответов в оценке повторялись, а при ответе модель может выдумывать цитаты. Абсолютное качество не подтверждено размеченными юридическими бенчмарками; автор описывает модель как демонстрацию метода, а не источник юридической или финансовой консультации. Лицензия — Gemma.

ainize/klue-bert-base-mrc — модель для извлечения ответов на вопросы на основе klue/bert-base, опубликованная Ainize. Она дообучена на наборе KLUE-MRC и предназначена для extractive question answering: по вопросу и текстовому фрагменту находит ответ в самом фрагменте. Модель содержит 137,8 млн параметров, использует архитектуру BERT и принимает контекст длиной до 512 токенов. Модель рассчитана на корейский язык и может применяться для поиска ответов в документах или текстах на корейском. В репозитории указаны веса PyTorch и лицензия CC BY-SA 4.0. Ограничение задачи — ответ извлекается из предоставленного текста, поэтому модель не предназначена для свободной генерации ответов или поиска сведений за пределами контекста.

Zeolit разработала lettuce-eidos-768d-v5 — многоязычную модель эмбеддингов для поиска коротких воспоминаний в истории диалогов, заметках и ролевых чатах. Она предназначена для извлечения релевантных фрагментов по запросу, в том числе когда запрос и воспоминание написаны на разных языках, и рассчитана на запуск на устройстве или CPU. Модель основана на IBM Granite Embedding 311M Multilingual R2 и дообучена методом дистилляции после сокращения ModernBERT с 22 до 12 слоёв. Всего в модели около 262 млн параметров, размерность эмбеддинга — 768 с поддержкой Matryoshka-сокращения до 64 измерений. В репозитории есть веса Safetensors и экспорты ONNX, включая динамически квантованный int8-вариант. README сообщает контекст 4096 токенов, тогда как метаданные указывают нативный контекст 32768 токенов. Заявлена поддержка 15 языков: арабского, немецкого, английского, испанского, французского, хинди, итальянского, японского, корейского, нидерландского, польского, португальского, русского, турецкого и китайского. Лицензия — Apache-2.0. Модель показывает хорошие результаты на собственных тестах поиска разговорных воспоминаний, но эти тесты основаны на обучающих данных и не подтверждают качество на независимых наборах. Она слабее подходит для поиска по длинным документам и оценки семантического сходства, чем предыдущая версия; многоязычный поиск близких воспоминаний часто не находит верный фрагмент с первой попытки. Косинусные оценки высоки даже для нерелевантных текстов, поэтому пороги сходства от других моделей применять нельзя; для калибровки README рекомендует файл calibration.json.

Llama3-ChatQA-1.5-8B-256K — экспериментальная объединённая модель beratcmn на базе Llama 3 8B. Автор объединил адаптер ChatQA 1.5 от NVIDIA с моделью winglian/llama-3-8b-256k-PoSE, чтобы исследовать работу RAG с длинным контекстом. Модель предназначена для генерации ответов в диалоговом формате ChatQA с использованием переданного контекста и вопросов пользователя. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; в метаданных указано окно контекста 524 288 токенов. Карточка не приводит результатов бенчмарков и сообщает, что модель не тестировалась из-за ограниченных вычислительных ресурсов. Автор предупреждает, что качество может быть ниже, чем у исходных моделей. Поддерживается английский язык. Лицензия — Llama 3.

Yunika/muril-large-squad-nepali-hindi — модель для ответов на вопросы, созданная дообучением google/muril-large-cased. Она использует архитектуру BERT и содержит около 604,7 млн параметров; модель рассчитана на контекст до 512 токенов и сохранена в формате safetensors. Базовая MuRIL от Google предназначена для NLP-задач на 17 индийских языках и их транслитерированных вариантах. Название репозитория указывает на настройку для непальского и хинди, однако README не описывает обучающие данные или результаты оценки. Лицензия в предоставленных данных не указана.

PapersRAG-1.5B — система генерации с дополнением извлечёнными сведениями (RAG), созданная metaresearch на базе Qwen2.5-1.5B. Она предназначена для поиска информации и ответов на вопросы по аннотациям научных статей из раздела cs.CL на arXiv. Система извлекает подходящие фрагменты из индекса, ранжирует их и формирует ответ с названием статьи в качестве ссылки на источник; при отсутствии подходящих материалов может воздержаться от ответа. В составе указаны языковая модель Qwen2.5-1.5B на 1,5 млрд параметров, плотный биэнкодер для первичного поиска и кросс-энкодер для переранжирования. Контекст языковой модели — до 32 768 токенов. Репозиторий содержит архив аннотаций со срезом по 31 июля 2026 года: автоматическое обновление прекращено. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Система подходит для поиска и сопоставления сведений в индексированных аннотациях, но не имеет доступа к полным текстам статей. Охват ограничен тематикой cs.CL и источником arXiv; небольшой размер языковой модели также ограничивает сложный синтез сведений из нескольких работ.