I.1Поиск и навигация по информации

Xirui1208/readall-readtwice-step5-20260921 — контрольный чекпойнт Qwen2, разработанный в рамках обучения ReadAll / ReadTwice с обучением с подкреплением. Это плотная авторегрессионная модель генерации текста на 7,1 млрд параметров с контекстом 32 768 токенов; репозиторий содержит веса BF16 в формате Safetensors и конфигурацию для Transformers. Модель предназначена для диалога и ответов на вопросы по длинным документам. В оценке HQA на входе длиной 224 тыс. токенов она использовалась вместе с соответствующим рекуррентным конвейером ReadTwice: документ обрабатывается частями и несколькими последовательными вызовами, а не одним запросом к модели. README также приводит оценку на LongBench QA. На фиксированном наборе HQA модель получила 57,81% exact match, 73,19% F1 и 75,78% bidirectional SubEM; по сравнению с исходным чекпойнтом step36 приросты невелики. Эти результаты не подтверждают устойчивое улучшение на новых данных. Для сопоставления при оценке README рекомендует жадное декодирование с отключённой выборкой. Репозиторий публичный; лицензия в предоставленных данных не указана.

ReAG-3B — генератор ответов в мультимодальном конвейере ReAG для ответов на вопросы по изображениям с опорой на внешние знания. Модель разработана AIMagelab и основана на Qwen2.5-VL-3B; она дообучена в несколько этапов: сначала с помощью supervised fine-tuning, затем с reinforcement learning для формирования явных рассуждений, опирающихся на извлечённые свидетельства. Это плотная vision-language-модель с 3,1 млрд параметров, контекстом до 128 000 токенов и форматом весов Safetensors. Модель принимает изображение и вопрос, а также отобранные релевантные фрагменты, и выдаёт рассуждение с последующим кратким ответом. В полном конвейере ReAG отдельная модель-критик фильтрует шумные или нерелевантные найденные фрагменты перед передачей генератору. В README заявлено превосходство ReAG над предыдущими методами на Encyclopedic-VQA и InfoSeek. Модель рассчитана прежде всего на англоязычные задачи визуальных вопросов с использованием знаний. Лицензия — Apache-2.0. Для описанного полного конвейера нужны модель ReAG-Critic и извлечённые фрагменты знаний; качество ответов зависит от их релевантности. Представление явного пошагового рассуждения может быть избыточным для сценариев, где требуется только краткий ответ.

Ruri v3 PT 130M — предварительно обученная модель эмбеддингов японского текста от команды cl-nagoya на базе ModernBERT-Ja. В отличие от дообученной версии Ruri v3 130M, этот вариант не проходил fine-tuning для задач сходства предложений. Модель содержит 132,1 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8 192 токенов. Модель предназначена для получения векторных представлений японского текста, которые можно использовать как основу для поиска и сравнения предложений после подходящей настройки под задачу. В README указана лицензия Apache-2.0. Метаданные классифицируют модель как sentence-similarity, однако README отдельно предупреждает, что этот чекпойнт не дообучен; поэтому его качество для готового сравнения сходства может отличаться от специализированной версии.

Tercet-R-1.1 — англоязычная диалоговая модель для рассуждений, следования инструкциям и вызова инструментов, разработанная автором репозитория kerzgrr. Это дообученный снимок семейства Tercet-R на этапе многошагового SFT; метаданные указывают 392,2 млн параметров, а README описывает архитектуру TinyGDN с примерно 502 млн параметров. Модель сочетает GDN-2 и групповое внимание GQA, имеет 32 слоя и заявленный контекст 32 768 токенов. Модель предназначена для чата, ответов на инструкции и сценариев с инструментами, включая поиск в интернете, вычисления и выполнение ограниченного Python-кода через обвязку inference.py. Вызовы инструментов передаются в формате SmolTalk JSON. Веса опубликованы в safetensors и bfloat16; для запуска README указывает зависимость flash-linear-attention и скрипт inference.py. Это промежуточный снимок продолжающегося этапа обучения, поэтому качество и поведение могут отличаться от завершённой версии. Модель небольшого размера и не является системой передового уровня; Python-интерпретатор ограничен математически ориентированными импортами. Лицензия — Apache-2.0.

ahujaniharika95/tinyroberta-squad2-finetuned-squad — модель для extractive question answering, размещённая пользователем ahujaniharika95 (Niharika Ahuja) на Hugging Face. В репозитории нет отдельной карточки модели, но указаны задача Question Answering, библиотека Transformers, PyTorch и архитектурное семейство RoBERTa. Модель предназначена для извлечения ответа из заданного контекста по вопросу и поддерживает сценарии SQuAD-подобного ответа на вопросы. По названию и доступным данным это производная от deepset/tinyroberta-squad2, дистиллированной версии deepset/roberta-base-squad2. Базовая модель обучена для английского языка на SQuAD 2.0, содержит около 81,5 млн параметров и рассчитана на работу с последовательностями длиной до 384 токенов; при обучении использовался doc stride 128 и максимальная длина вопроса 64 токена. Дистилляция делает её компактнее и примерно вдвое быстрее базовой модели, сохраняя сопоставимое качество; для базовой версии заявлены F1 около 81,9 на dev-выборке SQuAD 2.0. Сильные стороны модели — небольшие размеры, высокая скорость инференса и способность определять отсутствие ответа в контексте благодаря обучению на SQuAD 2.0. Ограничения включают специализацию на английском extractive question answering: модель не является универсальной генеративной LLM, не предназначена для свободной генерации текста и может хуже работать на языках, доменах и формулировках, отличающихся от обучающих данных. Для точной версии ahujaniharika95 отдельно не указаны контекстное окно, метрики, ограничения применения и лицензия; у базовой deepset/tinyroberta-squad2 указана лицензия CC BY 4.0, но её применимость к производной версии необходимо проверять в репозитории.

SalmonAI123/vi-mrc-large-version-2 — модель на архитектуре RoBERTa, дообученная на базе nguyenvulebinh/vi-mrc-large для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста по вопросу; в описании базовой модели указан приоритет вьетнамского языка. Модель содержит 658,7 млн параметров и поддерживает контекст длиной до 514 токенов. В README приведён результат оценки Loss 0,9283, но набор данных и подробности оценки не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель ответов на вопросы на базе XLM-RoBERTa, дообученная Z-Jafari на модели Gholamreza/xlm-roberta-base-finetuned-pquad-squad. Она предназначена для извлечения ответа из предоставленного текста по вопросу; название указывает на дополнительное дообучение на PersianQuAD и DeepseekQA_WS в течение 10 эпох, однако README сообщает, что датасет обучения неизвестен, поэтому эти сведения нельзя подтвердить. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForQuestionAnswering, библиотеку Transformers и формат Safetensors; длина контекста — 514 токенов. Лицензия — MIT. В карточке приведена оценка Loss 2,0120, но без описания методики и набора оценки она не позволяет судить о качестве в реальных сценариях.

intanm/xlm-roberta-base-idkmrc — модель для ответов на вопросы, созданная дообучением XLM-RoBERTa Base. Она предназначена для извлечения ответа из текста по заданному вопросу и связана с набором данных NusaCrowd/idk_mrc; в README приведено значение loss 0,9537 на оценочной выборке. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает контекст длиной до 514 токенов. Для репозитория указана лицензия MIT.

Модель XLM-RoBERTa, дообученная автором репозитория на наборе UIT-ViQuAD 2.0 для извлекающего ответа на вопросы по тексту на вьетнамском языке. Она принимает абзац-контекст и связанный с ним вопрос, затем извлекает ответный фрагмент из контекста либо возвращает пустой ответ, если вопрос неразрешим. Такой режим следует подходу SQuAD 2.0 и подходит для систем машинного чтения и поиска ответов по предоставленным текстам. В основе — XLM-RoBERTa-base с архитектурой Transformer-энкодера и головой предсказания начальной и конечной позиций ответа; размер модели — 305,2 млн параметров, библиотека — Transformers, формат весов — safetensors, длина контекста — 514 токенов. Модель обучена на вьетнамском бенчмарке с вопросами, допускающими отсутствие ответа; в карточке также отмечен английский язык, однако README описывает назначение и обучение для вьетнамского. Автор сообщает о конкурентных результатах относительно базовых систем VLSP 2021, но численные метрики в доступном тексте отсутствуют. Лицензия в предоставленных данных не указана.

jsgao/bert-eli5c-retriever — модель извлечения признаков на основе BERT, представленная как Document Retriever для набора данных ELI5-Category. Для работы требуется дополнительный проекционный слой, описанный в связанном репозитории GitHub. Модель предназначена для получения текстовых представлений документов, которые можно использовать в сценариях поиска и извлечения документов. Она содержит 98,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Safetensors; язык модели — английский. Лицензия в предоставленных данных не указана.

Китайская модель понимания прочитанного Chinese MRC macbert-large от автора репозитория luhua, повторно обученная на большом объёме китайских данных MRC. Она построена на архитектуре BERT и предназначена прежде всего для извлечения ответов на вопросы по тексту; автор также сообщает об улучшении результатов в задачах чтения с пониманием и классификации. В карточке приведены результаты macbert-large на DuReader-2021 и tencentmedical. Модель содержит 424,3 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Опубликованные веса представлены в формате PyTorch, лицензия — Apache-2.0. Карточка не уточняет ограничения применимости и подробности обучения, поэтому результаты на указанных наборах не гарантируют качество на других данных.

EmbeddingGemma-300m finetuned on MIRIAD — модель Sentence Transformers на базе google/embeddinggemma-300m, дообученная для поиска медицинских сведений. Она преобразует вопросы и фрагменты научных медицинских статей в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель содержит 302,8 млн параметров, работает с текстом на английском языке и принимает последовательности длиной до 1024 токенов. Модель предназначена для извлечения релевантных фрагментов научных медицинских публикаций по подробному запросу. В README приведены результаты оценки на наборах MIRIAD: точность cosine_accuracy@1 составляет 0,822 на eval и 0,802 на test, а @5 — 0,945 и 0,942 соответственно. Это специализированная модель поиска, а не система для постановки диагноза или генерации медицинских рекомендаций. Модель опубликована разработчиком, не связанным с Google, и распространяется по лицензии Apache-2.0. Она дообучена на первых 100 000 пар вопрос–фрагмент из MIRIAD; качество вне медицинского поиска по научным статьям и для других языков не подтверждено приведёнными данными.

GraphWalker-7B — языковая модель, дообученная авторами проекта на основе Qwen2.5-7B-Instruct для агентного ответа на вопросы по графам знаний. Она предназначена для многошагового поиска и рассуждений по крупным графам знаний, например Freebase, в цикле «обдумать — запросить — наблюдать». Для обучения использовалась синтетическая программа траекторий; модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Она принимает текстовые запросы и генерирует текст; контекстное окно составляет 32 768 токенов. В README приведены результаты оценки на CWQ и WebQSP, но без полного набора строк таблицы нельзя сделать вывод о превосходстве над альтернативами. Модель опубликована под лицензией Apache-2.0.

Bespin Global компаниясының Jaehyeong автора дообучила модель klue/bert-base для машинного чтения и ответов на вопросы по предоставленному тексту. Модель использует архитектуру BERT с головой BertForQuestionAnswering и содержит 137,8 млн параметров. Она обучалась на наборе AIHub для машинного чтения: стандартной и объяснимой частях данных; в README указаны четыре эпохи и скорость обучения 3e-5. Модель предназначена для корейских сценариев поиска ответа в тексте. Максимальная длина контекста составляет 512 токенов, формат весов — PyTorch. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

Loom Tapestry 2 — небольшая языковая модель Textile Labs с 22,8 млн параметров. Это плотная авторегрессионная модель семейства Llama, обученная с нуля; она не является дообучением предварительно обученной модели. Архитектура включает 20 слоёв, GQA, SwiGLU, RoPE, связанные эмбеддинги и словарь из 4 096 токенов. Контекст — 768 токенов. Доступны веса Safetensors и GGUF F16; библиотека из метаданных — Transformers. Модель предназначена для диалогового сценария с поиском: определить, когда нужен внешний источник, сформировать запрос и сообщить, что ответ получен из поиска. Без внешних инструментов она обычно отказывается отвечать на фактические вопросы. Карточка сообщает о проверках на корректную атрибуцию поиска, но также предупреждает, что модель может ненадёжно извлекать сведения из найденного текста и ошибочно оценивать, содержит ли он ответ. Для разговора рекомендуется отключать инструменты, включая их только для цикла поиска. Свободная беседа и развёрнутые объяснения не являются её сильными сторонами. Модель поддерживает английский язык и распространяется по лицензии MIT. Для обучающих данных README перечисляет открытые корпуса и указывает, что некоторые лицензии требуют указания авторства.

MemOCR-7B — мультимодальная модель Meituan для визуальных вопросов и ответов с механизмом визуальной памяти. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и контекстом 128 000 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для работы в составе фреймворка MemOCR: текстовый компонент формирует и уточняет содержимое памяти с учётом заданного бюджета, а зрительный компонент анализирует её визуальное представление. Такой подход рассчитан на ответы на сложные многошаговые вопросы и поиск сведений в подготовленной памяти; в карточке приведены результаты на HotpotQA, 2WikiMultihopQA, NaturalQuestions и TriviaQA. Модель принимает изображения и текстовые вопросы и выдаёт текстовые ответы. Карточка указывает английский язык. Для использования необходим фреймворк MemOCR; результаты зависят от подготовки визуальной памяти и ограничения её бюджета. Количественные результаты и подробные инструкции по запуску в карточке не приведены.

badokorach/minilm-uncased-squad2-agric-041223 — англоязычная модель для ответов на вопросы, дообученная на базе deepset/minilm-uncased-squad2. Она использует архитектуру BERT и предназначена для извлечения ответа из предоставленного текста; размер модели — около 40 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит модель в формате TensorFlow. В README указаны результаты обучения: train loss 0,9972, validation loss 0,0 и 14 эпох. Датасет дообучения и подробности оценки не описаны, поэтому качество на новых данных и специализацию на сельском хозяйстве оценить нельзя. Лицензия — CC BY 4.0.

Yunika/muril-squad-nepali — модель на базе muRIL с архитектурой BERT, дообученная на переведённом на непальский язык датасете SQuAD. Она предназначена для извлечения ответов на вопросы из предоставленного текста на непальском языке. Модель содержит 264,8 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текстовый фрагмент ответа. Лицензия в доступных данных не указана.

QA_SYNTHETIC_DATA_ONLY_16_AUG — модель XLM-RoBERTa, разработчик которой не раскрыт в карточке. Это дообученная версия xlm-roberta-base для задачи question-answering: она отвечает на вопросы по предоставленному контексту. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и распространяется в формате PyTorch. Длина контекста составляет 514 токенов. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0000 на оценочном наборе, но не описывает методику оценки или реальные сценарии применения. Модель выпущена под лицензией MIT. Языковые характеристики, кроме многоязычной основы XLM-RoBERTa, и практические ограничения отдельно не описаны.

Qwen3-30B-A3B-Agentic-ESOpt-DocVQA (theta40) — полно-параметрический чекпойнт BF16 на базе Qwen/Qwen3-30B-A3B, полученный детерминированным воспроизведением 40 обновлений Agentic-ESOpt. Архитектура — MoE Qwen3; метаданные указывают 2,6 млрд параметров и контекст 131 072 токена. Модель предназначена для генерации ответов на вопросы по документам в задаче DocVQA. В отчёте автора приведены ANLS 0,3653 и точность 39% для среднего по четырём выборкам, а также ANLS 0,5078 и точность 53% при оценке по лучшему результату из четырёх. Это результаты указанной конфигурации оценки, а не гарантия качества на других данных. Модель использует Transformers и распространяется в формате safetensors. README указывает на полный чекпойнт BF16; лицензия в предоставленных данных не указана. Метаданные описывают текстовую генерацию и возможность диалога, но не заявляют поддержку изображений, поэтому способ подачи документов с изображениями из этих сведений установить нельзя.

TAPAS medium — модель Google на архитектуре BERT для ответов на вопросы по таблицам. Она предварительно обучена на английских текстах и таблицах из Википедии, а затем дообучена на Sequential Question Answering (SQA). Модель выбирает ячейки таблицы, чтобы сформировать ответ на вопрос в диалоговом сценарии; версия по умолчанию использует сброс индексов позиций в каждой ячейке, также доступна версия с абсолютными позиционными эмбеддингами. Модель содержит 49,2 млн параметров, принимает вопрос и таблицу в текстовом представлении и поддерживает последовательности длиной до 512 токенов. При дообучении использовалась эвристика, ограничивающая выбор ячеек одним столбцом. Модель предназначена для англоязычных таблиц и вопросов. Распространяется по лицензии Apache 2.0.

NamSyntax/xlmr-large-viquad — модель для извлекающего ответа на вопросы на вьетнамском языке. Она разработана NamSyntax на основе XLM-RoBERTa Large и дообучена на наборе UIT-ViQuAD 2.0. Модель получает абзац контекста и вопрос и извлекает из контекста фрагмент, который служит ответом. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Она предназначена для систем поиска ответов по вьетнамским текстам и может интегрироваться в веб-сервисы через Transformers; README также описывает проект с интерфейсом Gradio и REST-бэкендом FastAPI. Распространяется по лицензии Apache-2.0.

leomaurodesenv/bert-base-uncased-answerable-or-not — англоязычная модель классификации текста, полученная дообучением google-bert/bert-base-uncased. Она предназначена для определения, является ли текст или вопрос ответимым; конкретные сценарии и состав обучающих данных в карточке не раскрыты. Модель построена на архитектуре BERT и содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README указаны accuracy 0,9924 и loss 0,0575 на оценочном наборе, однако набор данных и условия оценки не описаны, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

aleynahukmet/bge-medical-small-en-v1.5 — англоязычная модель эмбеддингов для семантического поиска медицинской информации. Разработчик дообучил BAAI/bge-small-en-v1.5 из библиотеки SentenceTransformers на наборах медицинских вопросов и ответов, включая MedQuad и Medical Meadow. Модель построена на архитектуре BERT, содержит около 40 млн параметров и принимает текстовые запросы; максимальная длина контекста — 512 токенов. Модель предназначена для представления медицинских запросов и текстов в виде векторов, чтобы находить семантически близкие материалы в системах поиска и ответов на вопросы. В README сообщается о результате около 0,887 на тестовом наборе, оценённом Translation Evaluator, однако подробности протокола оценки не приведены. Модель выдаёт признаки или эмбеддинги, а не готовые медицинские ответы. Лицензия в предоставленных данных не указана.

Это крупная китайская модель машинного чтения и ответов на вопросы, разработанная HFL и дообученная на смеси китайских датасетов MRC на основе предварительно обученной PERT-large. PERT использует перестановочную языковую модель PerLM для самообучения без токена маски [MASK]; модель реализована в архитектуре BERT и предназначена для извлечения ответов из текста по заданному вопросу. Модель подходит для систем поиска ответов по китайским документам и оценки понимания прочитанного. В карточке приведены результаты на CMRC 2018, DRCD и SQuAD-Zen; для загрузки рекомендуется класс BertForQuestionAnswering. Параметров — 424,3 млн, длина контекста — до 512 токенов. Лицензия Apache-2.0. Оценки приведены на dev-наборах; карточка не сообщает о поддержке других языков.

m3hrdadfi/gpt2-persian-qa — дообученная модель GPT-2 для ответов на вопросы по тексту на персидском языке. Её обучали на PersianQA и оценивали на PersianQA и задаче чтения с пониманием из ParsinLU; карточка также упоминает демонстрационное приложение на Streamlit. Модель предназначена для сценариев вопросно-ответного поиска по предоставленному контексту. Она использует плотную архитектуру GPT2LMHeadModel, принимает текст и генерирует текстовый ответ. Максимальная длина контекста — 1024 токена; доступны веса в форматах PyTorch и TensorFlow. В README приведены F1 45,93 и Exact Match 23,19 для PersianQA, а для ParsNLU — F1 46,95 и Exact Match 20,39. Эти результаты относятся к указанным наборам данных. Инструкция по использованию в карточке пока не заполнена. Лицензия и число параметров в предоставленных источниках не указаны.

uomnf97 выпустил дообученную модель KLUE RoBERTa Large для поиска ответов в корейских текстах. Она решает задачу машинного чтения и понимания: получает вопрос и контекст, затем выделяет ответ в контексте. Модель построена на архитектуре RoBERTa, содержит 435,4 млн параметров и рассчитана на контекст длиной до 514 токенов. Модель дообучена на 27 423 примерах KorQuAD 2.1 после удаления из исходных данных гиперссылок, тегов и BOM; примеры с контекстом длиннее 7500 символов исключались. Она предназначена для корейских сценариев вопросно-ответного поиска по тексту. Доступна в формате PyTorch через Transformers; лицензия — MIT.

Mako-32B Conductor — языковая модель семейства Mako от deepmako, созданная дообучением Qwen3-32B с помощью LoRA и SFT. Она предназначена для диалогов с выраженным разговорным характером, многошаговых рассуждений и оркестрации вызовов инструментов; модель используется как ядро платформы deepmako.com. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 29,7 млрд параметров по метаданным и контекст длиной до 40 960 токенов. README описывает специализацию на экосистеме Base и криптовалютах: DeFi, NFT, L2, токеномике, стандартах ERC и механиках смарт-контрактов. Указаны цепочки вызовов инструментов до четырёх раундов, включая поиск в интернете и чтение веб-страниц и публикаций X. Карточка указывает английский язык; основанием для модели служит многоязычная Qwen3. Модель ориентирована на прикладное использование и отмечена разработчиком как production. Возможны ошибки в рассуждениях и криптотехнических ответах; заявленную точность в вопросах Base README не подтверждает независимыми оценками. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и базовой модели.

tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy — многовекторный энкодер, дообученный на синтетических парах запросов и страниц документов по энергетике. Он основан на vidore/colqwen2-v1.0-hf и предназначен для поиска релевантных страниц документов по текстовым запросам с помощью позднего взаимодействия MaxSim. Модель принимает текст и изображения страниц, включая страницы PDF, и представляет их последовательностями токенных векторов размерности 128. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на английских данных набора synthetic_doc_qa_energy_train; в README приведены метрики поиска на наборе energy-dev. Модель распространяется под лицензией Apache-2.0. Она подходит для семантического поиска по энергетическим отчетам и другим документам этой тематики, в том числе для извлечения страниц, отвечающих на вопрос. Результаты зависят от соответствия запросов и документов обучающим данным; карточка не заявляет о генерации ответов или универсальном OCR.

Restraint-7B — диалоговая языковая модель на 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена для ответов на вопросы и выбора, когда следует вызвать инструмент: на знакомые вопросы модель отвечает напрямую, а инструменты использует, когда без них не обойтись. Архитектура — плотная Qwen2ForCausalLM; доступны форматы Safetensors и GGUF. Контекст — до 32 768 токенов. Модель обучена на 450 экспертных трассах ReAct с последующим корректирующим этапом SFT. В описанной проверке на 50 заданиях она ответила правильно на 46 и не вызывала инструменты в 16 из 17 заданий, где вызов не требовался. Обучение охватывало пять симулированных инструментов: калькулятор, Wikipedia, погоду, выполнение кода и конвертер единиц. Для запуска GGUF указана совместимость с llama.cpp, Ollama и LM Studio. Лицензия — Apache-2.0. Результаты проверки ограничены небольшим набором из 50 заданий, причём задания уровней 1–3 близки к обучающим данным; результаты на живых API и перенос на реальные экосистемы инструментов не проверены. В аудите ошибок отмечены три расхождения строгой текстовой оценки с ответами, близкими по смыслу, и одна ошибка восстановления после сбоя.