I.1Поиск и навигация по информации

Felladrin/Sheared-Pythia-160m-WebGLM-QA — компактная авторегрессионная модель GPT-NeoX, созданная дообучением Princeton NLP модели Sheared-Pythia-160m на наборе THUDM/webglm-qa. Она предназначена для генерации ответов на вопросы по предоставленным справочным фрагментам: в запросе рекомендуется сначала передать references, затем question. Модель содержит 151,9 млн параметров, принимает текст и имеет контекст длиной до 2048 токенов. Модель подходит для экспериментов с ответами на вопросы по веб-источникам и для компактных прототипов систем поиска с генерацией ответа. Она распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает об отдельных оценках качества или дополнительных языковых возможностях; результаты могут быть ограничены небольшим размером модели и коротким контекстом.

narendraalluri/slm-125m-sft — компактная плотная Llama-модель с 125,8 млн параметров, разработанная как демонстрация дообучения для ответов на вопросы по предоставленному фрагменту. Она формирует ответы только на основе контекста и должна отказываться, если нужной информации в нём нет. Для работы требуется точный шаблон запроса из карточки; рекомендуется жадное декодирование. Контекст модели — 1024 токена. Модель предназначена для извлечения ответов из документов и может использоваться как компонент RAG-системы: поиск и передача подходящего фрагмента остаются задачей внешней системы. Обучающие данные синтетические: вопросы и ответы созданы Google Gemini на основе фрагментов юридических, финансовых и общих текстов. Модель дообучена на narendraalluri/slm-125m-base, которая была предварительно обучена с нуля. На небольшой проверочной выборке модель верно отказывала в 67,2% случаев, когда ответа не было в контексте, и ошибочно отказывала в 12% случаев, когда ответ присутствовал. Она может уверенно придумывать сведения, особенно числа и направления изменений, поэтому ответы требуют проверки и не должны использоваться как юридическая или финансовая рекомендация. Лицензия — Apache-2.0; автор описывает модель как учебную демонстрацию, а не производственный инструмент.

t0-1.1-k5-1.5B — языковая модель с причинной архитектурой Qwen2, разработанная командой t0 в Институте Алана Тьюринга. Это дообученная версия Qwen2.5-1.5B-Instruct с 1,5 млрд параметров; она предназначена прежде всего для генерации ответов в системе генерации с дополнением извлечёнными документами (RAG) и рассуждений по найденным материалам. Обозначение k5 указывает на использование top-k=5 при извлечении во время обучения и оценки. Модель принимает текст и генерирует текст, поддерживает диалог и рассчитана на английский язык. Контекстное окно — до 32 768 токенов. В качестве примера применения авторы приводят ответы на вопросы по страницам NHS A-to-Z о заболеваниях. Модель распространяется по лицензии Apache 2.0. Размер 1,5 млрд параметров ограничивает её возможности по сравнению с более крупными моделями; возможны ошибки и галлюцинации. Она не предназначена для постановки диагноза или клинических решений без надзора специалистов, для запросов вне английского языка и для ответов, требующих знаний сверх обучающих данных и предоставленного контекста. Медицинские ответы следует проверять у квалифицированных специалистов.

google/tapas-base-finetuned-sqa — модель Google на архитектуре TAPAS, дообученная на наборе Sequential Question Answering (SQA) для ответов на вопросы по таблицам в диалоговом сценарии. Это модель на основе BERT с 136,7 млн параметров: она обрабатывает вопрос и сериализованное содержимое таблицы и выделяет ячейки, относящиеся к ответу. Базовое обучение включало masked language modeling и промежуточное обучение на синтетических примерах для рассуждений по табличным данным. В версии по умолчанию позиционные индексы сбрасываются для каждой ячейки таблицы; доступен также вариант no_reset с абсолютными позиционными индексами. Модель предназначена для ответов на вопросы на английском языке по структурированным таблицам и может использоваться в интерактивных системах, где пользователь уточняет запросы последовательно. В README для базовой версии без сброса позиций указана точность 0,6737 на dev-части SQA. Вход состоит из текста вопроса и таблицы; контекст модели в метаданных — 1024 токена. Модель выпущена под лицензией Apache-2.0. Оценка приведена для конкретного набора данных и не гарантирует аналогичного качества на других типах таблиц или запросов.

TAPAS small — модель Google на архитектуре TAPAS, дообученная на задаче последовательных вопросов и ответов по таблицам (SQA). Она принимает вопрос и таблицу, представленную в текстовом виде, и выбирает ячейки таблицы для ответа; это подходит для диалогового поиска фактов в табличных данных. Модель содержит 32,4 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Дообучению предшествовали маскированное языковое моделирование и промежуточное обучение на примерах числовых рассуждений по таблицам. По умолчанию используется вариант с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Модель обучена для английского языка на наборе SQA и предназначена для ответов на вопросы о таблицах. Лицензия — Apache-2.0.

tax-retriever-bge-small — модель для создания текстовых эмбеддингов и семантического поиска, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная для поиска положений индийского подоходного налога. Она предназначена для извлечения релевантных разделов Income-Tax Act 2025 и профессиональных налоговых руководств в системах ответов на вопросы с поиском по документам (RAG). Модель использует архитектуру BERT-small с mean pooling и выдаёт эмбеддинги размерности 512; длина последовательности в README указана как 256 токенов, а метаданные каталога задают нативный контекст 512 токенов. В обучающий корпус вошли 629 разделов закона и 147 профессиональных налоговых руководств; пары для обучения связывали заголовки разделов с их текстом. В пилотной проверке на 20 пользовательских вопросах top-1 попадание составило 0,85, но разница с базовой моделью не была статистически значимой. Точный поиск по обучающему корпусу показал высокие результаты, однако перенос на другие корпуса не оценивался. Модель ориентирована на английский текст; README предупреждает, что английский токенизатор также кодирует запросы на хинди. Лицензия — Apache-2.0.

TinyBERT_General_4L_312D-squad — модель на архитектуре BERT, дообученная на наборе SQuAD для ответов на вопросы по тексту. Её разработчик — владелец репозитория haritzpuerto; базовая модель — huawei-noah/TinyBERT_General_4L_312D. Модель содержит 15,6 млн параметров, принимает текстовые вопросы и контекст и выдаёт текстовый ответ. Максимальная длина контекста — 512 токенов. На оценочной выборке SQuAD модель показала exact match 33,30 и F1 45,04. Она подходит для извлечения ответов из предоставленного фрагмента текста, но оценочные результаты указывают на ограниченную точность; карточка не описывает поведение вне этого сценария. Файлы опубликованы в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

CurtisJeon разработал модель для извлечения ответов на вопросы на корейском языке. Это дообученная версия klue/roberta-large с архитектурой RoBERTa и головой RobertaForQuestionAnswering; она содержит 435,4 млн параметров и принимает контекст длиной до 514 токенов. Модель обучена на наборе squad_kor_v1 и предназначена для поиска ответа в предоставленном тексте. Её можно применять для извлечения ответов из корейских документов и контекстов в системах вопросов и ответов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Карточка не приводит результатов оценки и подробных сведений об ограничениях, поэтому качество на других данных не установлено.

Loom Spark 3 Flash — небольшая языковая модель компании textilelabs для диалогов с поиском и использованием внешних инструментов. Она предназначена для сценариев, где модель формирует поисковый запрос, получает найденный фрагмент через специальную оболочку и отвечает с указанием источника. По данным разработчика, модель обучена с нуля и имеет 7,2 млн параметров; архитектура Llama-style включает 20 слоёв, GQA, SwiGLU, RoPE и RMSNorm, а контекст составляет 512 токенов. Модель работает с текстом и рассчитана на английский язык. Разработчик сообщает результат 119 из 133 баллов на собственной проверочной батарее, однако это не независимая оценка. Модель почти не содержит фактических знаний: без поиска она часто выдумывает ответы, плохо пересказывает найденные материалы, не справляется с арифметикой и может уверенно ошибаться. Для использования нужен строгий формат промпта и оболочка, выполняющая поиск. Лицензия — MIT; при распространении обучающих данных требуется сохранить файл ATTRIBUTION.md с указанием авторства корпусов.

Sovereign Semantic Router v6 (JEPA lens) — модель прогнозирования латентных представлений от shalyhinpavel для многошагового поиска. Она принимает последовательность векторов и предсказывает вектор следующего шага рассуждения в пространстве Harrier-270M, после чего вектор можно использовать для поиска ближайших соседей в хранилище и повторять цикл. Модель не генерирует текст и работает только с эмбеддингами. Модель содержит 39,3 млн параметров по метаданным и использует плотную архитектуру SovereignRouterModel: 6 трансформерных блоков, 10 голов внимания, размерность 640 и контекст из 16 позиций. Выход нормализуется по L2. В README описаны результаты проверки на многошаговом поиске MuSiQue и перенос на корпус, не использованный при обучении; заявлено выполнение инференса на CPU менее чем за миллисекунду. Входные векторы должны быть получены именно энкодером Harrier-270M: позиция запроса кодируется с инструкционным префиксом, а позиции документов — без него. Другие пространства эмбеддингов несовместимы и могут резко ухудшить качество. Обучающий скрипт и точный корпус утрачены, поэтому обучение нельзя воспроизвести; эффективность итеративного многошагового поиска остаётся открытым вопросом. Лицензия — Apache-2.0.

cnmoro/TinyLlama-1.1B-intermediate-1.5T-PTBR-Instruct-v3-8k — дообученная cnmoro версия TinyLlama на наборе инструкций на португальском языке. Модель построена на архитектуре Llama, содержит около 1 млрд параметров и имеет контекстное окно 8192 токена. Для обучения использовались Axolotl и предыдущая версия модели v2 с контекстом 8k. Модель предназначена для генерации ответов на инструкции, базового RAG и ответов на вопросы по найденным фрагментам текста. README отмечает, что её способности к рассуждению ограничены. Использовать модель можно на условиях лицензии MIT.

TSFT-RAG Qwen2.5-14B-Instruct — полноразмерная дообученная модель Sascha Frank, созданная на основе Qwen/Qwen2.5-14B-Instruct для экспериментов с генерацией ответов в системах RAG. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, рассчитанная на работу через шаблон чата Qwen. Контекстное окно составляет 32 768 токенов. Модель предназначена для ответов по предоставленному контексту, отказа от ответа при недостатке подтверждений, подготовки структурированных JSON-ответов и ответов с цитатами. Обучение проводилось на специализированном немецкоязычном корпусе. В сравнении с базовой моделью на тесте из 1 940 примеров улучшилась обработка сложных негативных примеров и поведение с цитатами, однако качество заземлённых ответов немного снизилось; результаты ограничены форматами проведённой оценки. Модель подходит для исследовательских и экспериментальных RAG-сценариев и не предназначена как самостоятельный источник фактов. Она может ошибаться, не следовать контексту или не воздерживаться при нехватке данных; наличие цитат не гарантирует их обоснованность, а качество поиска существенно влияет на ответы. Лицензия — Apache-2.0.

PrimeQA/tydiqa-boolean-answer-classifier — модель классификации ответов на вопросы, предполагающие ответ «да» или «нет», разработанная проектом PrimeQA на основе XLM-RoBERTa. Она принимает вопрос с ответом «да/нет» и отрывок текста, а затем присваивает метку yes, no или no-answer. Модель представляет собой XLM-RoBERTa Large с архитектурой классификатора последовательностей, содержит около 658,7 млн параметров и имеет контекстное окно 514 токенов. Она дообучена на вопросах с ответами «да/нет» из TyDiQA и BoolQ-X и предназначена для использования в системах понимания прочитанного и ответов на вопросы, в том числе в составе PrimeQA. Модель может быть полезна для определения ответа на вопрос по предоставленному отрывку, включая выявление случаев, когда отрывок не содержит ответа. В README отмечена возможность наследования смещений исходной XLM-RoBERTa Large. Лицензия — Apache-2.0.

SalmonAI123/Bestclean-ViMrcbase-TFIDFPNS-ver1 — это дообученная модель RoBERTa для ответов на вопросы на основе nguyenvulebinh/vi-mrc-base. Она предназначена для извлечения ответа из предоставленного текста в сценариях машинного чтения и понимания текста. Модель содержит 305,2 млн параметров, принимает текст и выдаёт текстовый ответ; заявленная длина контекста — 514 токенов. В README указан результат оценки Loss 0,9084, но набор данных и подробности оценки не приведены. Модель опубликована в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GbrlOl/finetune-embedding-all-MiniLM-L6-v2-geotechnical-test-v4 — дообученный на 1 622 примерах геотехнического корпуса энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на BERT с mean pooling и нормализацией и преобразует текстовые запросы и фрагменты документов в плотные векторы размерности 384; для оценки сходства используется косинусное сходство. В метаданных указано 25,9 млн параметров и нативный контекст 512 токенов, а карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов в геотехнических материалах, поиска ответов и релевантных фрагментов по запросу, а также кластеризации и классификации текстов. В README приведён пример испаноязычного запроса к техническому документу; по нему нельзя установить полный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана. Показатели оценки приведены для STS и поиска дубликатов Quora, поэтому они сами по себе не подтверждают качество на геотехнических задачах.

yigitturali/GSW-QA-Decomposer-Qwen3-4B — текстовая языковая модель, разработанная Mehmet Yigit Turali на основе архитектуры Qwen3. Она предназначена для декомпозиции сложных вопросов в системах question answering: модель преобразует составной запрос в более простые части, которые затем могут обрабатываться отдельными этапами конвейера, например поиском или генерацией ответа. Модель имеет около 4 миллиардов параметров, использует архитектуру Transformer и доступна в формате BF16. Заявленная длина контекста составляет 32 768 токенов, поэтому она может обрабатывать достаточно длинные запросы и входные документы. Модальность — текстовая; сведений о поддерживаемых языках, составе обучающих данных, результатах оценивания и специальных ограничениях в доступных материалах нет. К сильным сторонам относятся специализация на декомпозиции вопросов, относительно небольшой размер и длинный контекст. Ограничения связаны с недостатком публичной документации о методах дообучения, качестве на тестах, языковом покрытии и надежности результатов; поэтому модель следует рассматривать как специализированный компонент QA-конвейера, а не как универсальную замену полноразмерной диалоговой модели. Для базовой модели Qwen3 указана лицензия Apache 2.0, но отдельные условия лицензирования этого производного репозитория в найденных материалах явно не описаны.

Kanha-AI/kanha-kanha.ai-1.7b-grounded-qlora-3ep-v1 — дообученная методом QLoRA языковая модель Kanha AI на базе Qwen/Qwen3-1.7B. Это плотная трансформерная модель для генерации текста и диалогов; она принимает вопрос вместе с извлечённым контекстом и предназначена для ответов на вопросы по материалам сайта. По условиям обучения модель должна отвечать кратко только по предоставленному контексту и использовать точную фразу отказа, если ответа в нём нет. Размер модели — 1,7 млрд параметров, базовый контекст — 40 960 токенов. README описывает обучение на 210 записях и валидацию на 45 записях с данными, полученными с сайта Kanha; основной язык карточки — английский. Модель подходит для контролируемых экспериментов по вопросно-ответным системам с поиском контекста, но не для ответов на вопросы без него. В README приведены результаты оценки: полнота дат и URL — 1,0, полнота чисел — около 0,972, полнота списков — около 0,605, доля прохождения детерминированной оценки — около 0,423. Эти результаты не подтверждают качество в браузере или на целевых устройствах. Ответы могут быть ошибочными, неполными или устаревшими, а модель может запоминать обучающие данные. Лицензия в предоставленных данных не указана.

RAG-KO-Mixtral-7Bx2-v2.1 — корейская модель генерации текста, разработанная исследователями MarkrAI. Она создана на базе DopeorNope/Ko-Mixtral-v1.4-MoE-7Bx2 и дообучена методом QLoRA на частном наборе данных Korean-RAG-ver2 для сценариев генерации с дополнением извлечённой информацией (RAG) в нескольких предметных областях. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Карточка не приводит результаты бенчмарков, поэтому качество и сравнительную эффективность оценить по ней нельзя. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «С сохранением условий», но запрещает коммерческое использование.

Randeng-T5-784M-QA-Chinese — китайская генеративная модель ответов на вопросы от команды Fengshenbang. Она основана на архитектуре T5-Large: предварительно обучена на корпусе Wudao объёмом 180 ГБ и дообучена на китайских наборах данных SQuAD и CMRC2018. Модель принимает текстовый фрагмент и вопрос и генерирует ответ на китайском языке. Модель предназначена для чтения с пониманием и ответов на вопросы по предоставленному контексту. В README приведены результаты на CMRC 2018: доля ответов, содержащих правильный ответ, — 76%, ROUGE-L — 82,7, BLEU-4 — 61,1, F1 — 77,9 и EM — 57,1. Значение EM ниже, поскольку модель формулирует полные предложения, тогда как эталонные ответы часто являются фрагментами текста. Метаданные указывают 385,7 млн параметров и формат PyTorch; README сообщает размер 784M, поэтому оценки размера расходятся. Для использования в README приведена зависимость от Transformers 4.21.1. Лицензия в предоставленных данных не указана.

abelcetina/u2t01-bert-squad — англоязычная модель для извлечения ответа на вопрос из заданного текста. Команда U2T01 дообучила всю модель BERT base uncased, включая энкодер и линейную голову, предсказывающую начальную и конечную позиции ответа. Модель содержит 136,7 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 512 токенов по метаданным; при обучении входы обрезались до 384 токенов. Модель предназначена для ответов на вопросы по англоязычным отрывкам, особенно похожим на статьи Википедии с вопросами из SQuAD v1.1. На валидационной выборке указаны exact match 72,56 и F1 81,78; отдельная тестовая оценка не проводилась. Модель всегда возвращает фрагмент контекста и не умеет воздерживаться от ответа, поэтому она не подходит для вопросов без ответа в тексте или для извлечения фактов без предоставленного контекста. Обучение выполнено на подвыборке примерно из 15 тысяч примеров и оценено с одним seed, поэтому качество и его устойчивость за пределами указанного домена не установлены. Карточка предупреждает о смещениях данных и базового предобучения, а также не рекомендует использовать модель для решений, влияющих на людей. Лицензия модели — Apache-2.0; обучающий датасет SQuAD v1.1 указан под CC BY-SA 4.0, поэтому условия его использования следует учитывать отдельно.

Это финальный чекпойнт Qwen3-4B, дообученный методом supervised fine-tuning на примерах, подготовленных с учителем gpt-5.4-mini. Модель создана в рамках последовательного эксперимента BabyAI → TextCraft → SearchQA: этап SearchQA завершён после пяти эпох и 935 обновлений оптимизатора; в чекпойнт также перенесено обучение на двух предыдущих этапах. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 40 960 токенов, предназначенная для диалоговой генерации текста и выполнения задач в этих средах. В оценке SearchQA модель достигла 54,44% среднего успеха по четырём попыткам на задачу; результаты на BabyAI и TextCraft составили 89,44% и 75,5% соответственно. Эти показатели относятся к одному чекпойнту и описанному протоколу, поэтому не подтверждают воспроизводимость на других обучающих запусках или обобщение за пределы тестовых сред. Для репозитория указана публичная доступность, но собственная лицензия не заявлена; необходимо учитывать условия базовой Qwen3-4B и применимые лицензии.

Модель создана Матаном Бен-Чорином и Май Фластер под руководством доктора Орена Мишали как выпускной проект Техниона. Это дообученная версия avichr/heBERT на наборе Hebrew_Squad_v1 — автоматически переведённом на иврит наборе SQuAD для ответов на вопросы по заданному контексту. Модель использует архитектуру BERT и предназначена для извлечения ответа из предоставленного текста по вопросу на иврите. Контекст ограничен 512 токенами. В README указаны результаты на Hebrew_Squad_v1: Exact Match 42,6 и F1 55,9. Репозиторий содержит веса PyTorch и насчитывает 136,7 млн параметров по метаданным. Лицензия в доступных данных не приведена.

MahaBERT-SQuAD — модель семейства BERT, разработанная L3Cube Pune и дообученная на переведённом на маратхи наборе данных L3Cube-MahaSQuAD для ответов на вопросы. Она предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном тексте, например для поиска сведений в документах на маратхи. Модель использует архитектуру BertForQuestionAnswering, содержит 264,8 млн параметров и поддерживает контекст длиной до 512 токенов. Модель работает с текстом на маратхи и выдаёт текстовый ответ. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — CC BY 4.0. Карточка ссылается на исследование MahaSQuAD и набор данных, поэтому качество следует оценивать на целевых текстах и задачах; сведения о других языках или возможностях за пределами ответов на вопросы не приведены.

JAlexis/PruebaBert — англоязычная модель для ответов на вопросы, созданная дообучением deepset/bert-base-cased-squad2 на наборе научных публикаций CORD-19 от 31 января 2022 года. Она использует архитектуру BERT и предназначена для извлечения ответов из предоставленного текста, в частности из материалов о COVID-19 и биомедицинских исследованиях. Модель содержит 135,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для обучения использовались Haystack и FARM; в метаданных указан формат PyTorch. Лицензия в предоставленных данных не обозначена.

Модель Prajwal Jumde — дообученная версия XLM-RoBERTa Base для ответов на вопросы. Она использует плотную архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии MIT. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0007 на оценочной выборке, но не описывает методику оценки или предназначенные сценарии использования. XLM-RoBERTa поддерживает множество языков, однако конкретные языки и качество ответов этой версии в карточке не уточнены.

TSFT-RAG Qwen2.5-7B-Instruct — полнопараметрически дообученная модель Sascha Frank на базе Qwen/Qwen2.5-7B-Instruct для экспериментов с генерацией ответов в системах RAG. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и выдаёт текст. Модель обучалась на немецкоязычном корпусе и предназначена прежде всего для сценариев на немецком языке. Модель нацелена на ответы по предоставленному контексту, отказ от ответа при недостатке подтверждений, формирование структурированного JSON и ответы с учётом источников и цитат. В описанной оценке на 1 940 примерах улучшились обработка сложных отрицательных примеров, валидность JSON и показатели цитирования, но качество grounded QA и некоторых аналитических задач немного снизилось. Эти результаты относятся к конкретному набору задач и не подтверждают общее превосходство модели. Для работы с RAG ей следует передавать найденные документы как контекст; сама по себе она не предназначена для использования в качестве надёжного источника фактов. Модель может ошибаться, неверно использовать доказательства или не воздерживаться от неподтверждённого ответа; качество поиска и источников существенно влияет на результат. Лицензия — Apache-2.0.

dmis-lab/biobert-large-cased-v1.1-squad — модель DMIS-lab из Корейского университета для ответов на вопросы по тексту. Это вариант BioBERT для задачи question answering, основанный на архитектуре BERT и содержащий 463,1 млн параметров. В метаданных указаны реализации PyTorch и Flax и максимальный контекст длиной 512 токенов. Модель предназначена для извлечения ответов из предоставленного текста, в том числе для работы с вопросами по биомедицинским материалам. README сообщает о предобучении BioBERT на корпусах PubMed и PMC, но также содержит противоречивое указание родительской модели GPT-Neo-2.7B; точное происхождение этого чекпойнта по доступным сведениям подтвердить нельзя. Лицензия в карточке не приведена. К ограничениям относятся возможные смещения и стереотипы в ответах, о которых предупреждает карточка модели. Контекст ограничен 512 токенами; README не приводит метрик качества и результатов оценки.

Это японская модель для ответов на вопросы, созданная дообучением luke-japanese-large-lite на наборе DDQA для автомобильной тематики. Модель семейства LUKE использует Transformer с механизмом entity-aware self-attention, который учитывает слова и сущности как отдельные токены. Размер модели — 436,2 млн параметров, максимальный контекст — 514 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из предоставленного текста и может применяться в сценариях вопросно-ответного поиска по японским материалам, в том числе по автомобильной тематике. В README приведены результаты на наборе оценки: exact match 0,863 и F1 0,930. Лицензия — MIT.

RaDeR_Qwen25-14B_NuminaMath_MATH_allquerytypes — модель для извлечения релевантных документов и ранжирования результатов поиска, разработанная CIIR при Университете Массачусетса в Амхерсте. Это плотная модель семейства Qwen2, дообученная на Qwen/Qwen2.5-14B-Instruct на данных NuminaMath+MATH с разными типами запросов. Модель предназначена для поиска, где запросы требуют математических рассуждений. Разработчики сообщают, что RaDeR-модели обобщаются на задачи retrieval reasoning в наборах BRIGHT и RAR-b и превосходят сильные базовые методы по совокупным результатам. Репозиторий содержит веса Safetensors; метаданные указывают 14 млрд параметров и контекст до 32 768 токенов. Для инференса в README приведён запуск через vLLM как embedding-модели с pooling типа LAST и нормализацией векторов. Лицензия — MIT. Модель ориентирована на английский язык; качество для других языков не подтверждено. Для работы требуется значительная вычислительная память, а в README не приведены подробные численные результаты и сравнения по отдельным наборам.

Модель Swahili-question-answer-latest-cased разработана Innocent Charles на основе bert-base-multilingual-cased, дообученной на корпусе KenyaCorpus для извлечения ответов на вопросы на суахили. Она принимает вопрос и текстовый контекст и выделяет в нём фрагмент с ответом; обучающие пары включают вопросы, на которые ответа нет. Модель построена на архитектуре BERT и содержит 205,1 млн параметров. Контекст ограничен 512 токенами. Её можно использовать в системах поиска ответов по документам, в том числе в конвейерах Haystack и Transformers. Указана лицензия CC BY 4.0. Качество зависит от соответствия входного контекста данным и тематике обучения; подробные результаты оценки в доступной карточке не приведены. Модель предназначена для извлечения ответов на суахили, поэтому её не следует считать универсальным генератором ответов или многоязычной QA-моделью.