I.1Поиск и навигация по информации

huBert-fine-tuned-hungarian-squadv1 — модель на базе huBERT base cased, дообученная разработчиком на версии SQuAD v1, переведённой на венгерский язык с помощью Google Translate API. Это демонстрационная модель семейства BERT для извлечения ответов из текста по заданному вопросу; она возвращает фрагмент контекста и оценку уверенности. Модель принимает вопрос и контекст на венгерском языке, а длина контекста ограничена 512 токенами. Общее число параметров — 137,8 млн; доступны форматы PyTorch и TensorFlow. Подходит для прототипов поиска ответов в венгерских текстах и демонстрации конвейера question answering в Transformers. Качество может зависеть от ошибок машинного перевода обучающих данных и от соответствия текста домену SQuAD. Лицензия в доступных данных не указана.

Это англоязычная модель-энкодер для поиска документов по вопросам индийского налогообложения и финансов. Она создана на основе sentence-transformers/all-MiniLM-L6-v2 и дообучена с помощью LoRA; число параметров в метаданных — 25,9 млн. Модель строит плотные векторные представления предложений, чтобы находить подходящие выдержки из законов и финансовых документов для систем поиска и RAG. Модель рассчитана на семантический поиск по вопросам и коротким документам. В README для тестового набора из 839 запросов сообщается о росте nDCG@10 на 0,145 относительно исходной модели; оценка усреднена по трём запускам. Лицензия — Apache-2.0. Модель поддерживает английский язык, а длина контекста по метаданным составляет 512 токенов. README указывает более короткий лимит в 256 токенов, поэтому при работе следует сверяться с используемой конфигурацией. Качество поиска на хинди и смешанном хинди-английском языке снижается; перенос на другие юридические или технические области не гарантирован.

OmniTab Large fine-tuned на WikiTableQuestions — модель для ответов на вопросы по таблицам, разработанная исследовательской группой NeuLab. Она основана на архитектуре BART и инициализирована весами neulab/omnitab-large; в карточке указано 252,8 млн параметров и контекст до 1024 токенов. Модель обучена для интерпретации таблиц и генерации ответов на вопросы на естественном языке, в том числе в сценариях few-shot question answering. Модель предназначена для работы с таблицами на английском языке. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

OVD Web: Query+CoT Reject, step 200 — контрольная точка из коллекции OVD, подготовленная для эксперимента по веб-поиску и ответам на основе найденной информации. В README она соотнесена со строкой Query+CoT Reject из статьи и результатом 36,93 macro EM при оценке real-search, actor-only на наборе Specsearch/ZeroSearch/jslkf5h5. Модель дообучена на базе Qwen/Qwen2.5-3B-Instruct; это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекст составляет 32 768 токенов. Репозиторий содержит веса Safetensors без состояния оптимизатора. В карточке не указаны лицензия и поддерживаемые языки; метаданные отмечают возможности chat и интерфейс вызова инструментов.

iestynmullinor/roberta-reranker-fever-better — англоязычная модель RoBERTa, дообученная на базе FacebookAI/roberta-base для классификации текста. Название репозитория указывает на применение для ранжирования фрагментов в сценариях проверки фактов FEVER, однако README не описывает эту задачу, поэтому её назначение нельзя подтвердить по карточке. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Весовые файлы представлены в формате safetensors. В карточке указана лицензия MIT. README сообщает значение loss 0,0209 на оценочном наборе, но не приводит состав набора, методику оценки или другие результаты.

TinyLLaMA 1.1B Fine-Tuned — дообученная модель семейства Llama, созданная Rahul Madhugiri на базе TinyLLaMA-1.1B методом supervised fine-tuning. Она получает абзац контекста, сформированный из ближайших документов, и генерирует короткое продолжение, семантически похожее на целевой абзац. При обучении сходство оценивалось по косинусному расстоянию между эмбеддингами Sentence-BERT; использовалась модель all-MiniLM-L6-v2. Модель имеет плотную архитектуру LlamaForCausalLM, около 1 млрд параметров и контекст длиной 2048 токенов. Карточка Hugging Face указывает задачи sentence-similarity и text-generation; основной сценарий по описанию — генерация текста по контексту с семантическим соответствием. Репозиторий использует формат safetensors. Лицензия — Apache-2.0. Модель оптимизирована для коротких ответов в структуре контекста, обогащённого данными Pinecone. За пределами такого сценария качество обобщения может быть низким; сведения о поддерживаемых естественных языках не приведены.

WangchanX-Legal-ThaiCCL-Retriever — модель извлечения релевантных фрагментов тайских юридических текстов по вопросам на тайском языке. Она разработана дообучением BAAI/bge-m3 на наборе WangchanX-Legal-ThaiCCL-RAG и предназначена для использования в качестве ретривера в системах RAG по корпоративному и коммерческому праву Таиланда. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает последовательности длиной до 8194 токенов. Она формирует представления размерности 1024 для поиска релевантных текстовых фрагментов; основная область применения — поиск по тайским юридическим документам и подбор контекста для последующего ответа на правовой вопрос. Модель распространяется по лицензии MIT. Она предназначена для извлечения информации и сама по себе не формирует юридические ответы; область обучения ограничена корпоративным и коммерческим правом Таиланда.

BGE Small Structural Separator — компактная текстовая модель на архитектуре BERT, разработанная для структурно-разделённого поиска научных документов. Она дообучена на основе BAAI/bge-small-en-v1.5: изменена только строка входных эмбеддингов токена [unused2], остальные параметры сохранены. Модель содержит 40 млн параметров и рассчитана на контекст до 512 токенов. При подготовке документа токен [unused2] добавляют перед непустым заголовком и каждым предложением, разделённым пунктуацией. Документ кодируется в нормализованный CLS-вектор, а запрос — обычным способом; поиск выполняется по косинусному сходству эмбеддингов. Модель предназначена для плотного поиска, в частности по научным текстам. В заявленном авторами тесте BEIR8 прирост macro NDCG@10 составил 0,012705 относительно исходной BGE-модели, однако расширенная оценка MTEB не подтвердила широкого переноса улучшения. Для использования доступны Transformers и AutoModel/AutoTokenizer. Лицензия — MIT. Ограничения: контекст ограничен 512 токенами; результаты улучшения ограничены структурно подходящими задачами BEIR8, а на шести задачах расширения MTEB macro NDCG@10 снизился на 0,011038.

Gen-Searcher-SFT-8B — промежуточная мультимодальная модель для агента Gen-Searcher, представленная в работе Gen-Searcher: Reinforcing Agentic Search for Image Generation. Это дообученная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; репозиторий содержит веса в формате safetensors. Модель предназначена для агентного поиска в интернете и по визуальным источникам: она просматривает свидетельства, сопоставляет несколько источников и собирает знания для последующей генерации изображений в реальных сценариях. Этот SFT-чекпойнт подготовлен как этап перед дальнейшим обучением с подкреплением методом GRPO и двойной обратной связью по вознаграждению. В статье описаны датасеты Gen-Searcher-SFT-10k и Gen-Searcher-RL-6k, а также бенчмарк KnowGen; авторы сообщают об улучшениях более чем на 15 пунктов на KnowGen и WISE и о переносимости на разные генераторы изображений. Лицензия репозитория — Apache-2.0. README характеризует модель как промежуточный этап обучения, поэтому её готовность для самостоятельного производственного применения не подтверждена.

Qwen3.5-35B-A3B-Drop — исследовательская донастройка Qwen/Qwen3.5-35B-A3B, созданная для изучения влияния очистки обучающих данных на поведение веб-агентов. При обучении удаляли целиком траектории с патологическими типами чрезмерных размышлений из таксономии A–G; архитектуру, токенизатор и шаблон вызова инструментов базовой модели сохранили. Это MoE-трансформер с 35 млрд общих и примерно 3 млрд активных параметров на токен; веса bf16 занимают около 65 ГБ. Контекст обучения — 131 072 токена. Модель предназначена для многошаговой работы с веб-поиском, открытием страниц и поиском по их содержимому через совместимый интерфейс инструментов. Она генерирует текст и обучена прежде всего на англоязычных рассуждениях и траекториях агента. Удаление траекторий призвано уменьшить чрезмерные проверки после ответа, повторный поиск при достаточных данных и рассуждения без опоры на найденный контент. Это исследовательский артефакт, а не универсальная ассистентская модель. Удаление целых траекторий уменьшает обучающую выборку и смешивает эффект качества данных с эффектом их количества; отдельная дополнительная настройка безопасности не проводилась. Для модели указана лицензия Apache-2.0.

Kate-lf/rag-qa-base-bert — модель BERT для ответа на вопросы, разработанная дообучением bert-base-chinese. Она предназначена для сценариев question answering, в том числе поиска ответа в контексте при работе с системами RAG. Модель содержит 129,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на китайский язык. В README приведены результаты оценки: exact match 58,7 и F1 58,7 на 6859 примерах; метрики заметно различаются для вопросов с ответом и без ответа. Датасет обучения не назван, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — Apache-2.0.

abhishekai/gemma-2-2b-legal-sft-v2 — диалоговая модель на архитектуре Gemma 2, дообученная методом QLoRA на базе google/gemma-2-2b-it для ответов на вопросы по предоставленным юридическим и финансовым фрагментам. После обучения адаптер объединён с весами в формате bf16; опубликованы веса safetensors, для загрузки не требуется PEFT. Модель содержит 2,7 млрд параметров, поддерживает контекст до 8192 токенов и предназначена прежде всего для англоязычного общения. Модель подходит для поиска ответов в найденных отрывках документов, проверки того, насколько ответ опирается на переданный контекст, и выполнения общих инструкций. В описанной авторами оценке она превзошла исходную модель, однако результат получен на одном наборе данных и оценён одной моделью-судьёй. Модель может убедительно выдумывать ссылки и ненадёжна в арифметике; результаты оценки не показывают качество ответов без предоставленного фрагмента. Она предназначена для демонстрации метода, а не для юридических или финансовых консультаций. Лицензия — Gemma Terms of Use, унаследованная от базовой модели; это не Apache-2.0.

GeoEmbedding — модель для получения векторных представлений текстов о геонауках, разработанная проектом GeoGPT Research Project. Она дообучена на базе Mistral-7B-Instruct-v0.1 на общих и специализированных геонаучных наборах данных и предназначена для поиска по смыслу и извлечения релевантных материалов в RAG-системах. Модель содержит 7,1 млрд параметров, использует архитектуру MistralDual и поддерживает контекст до 32 768 токенов; для работы доступны веса в формате safetensors и библиотека sentence-transformers. GeoEmbedding преобразует геонаучные тексты в векторы, учитывающие их контекст, чтобы находить материалы для ответов на вопросы и поиска по коллекциям документов. В карточке указана лицензия Apache-2.0. Модель обучена на английских данных, поэтому результаты на других языках могут быть хуже.

MA-Retriever — плотный ретривер, выпущенный вместе с набором данных MetaSyn и дообученный на базе BAAI/bge-large-en-v1.5. Он предназначен для поиска статей, связанных со списками включённых исследований в систематических обзорах, scoping-обзорах и метаанализах. Модель кодирует запросы и документы в нормализованные текстовые эмбеддинги, а затем ранжирует статьи по косинусному сходству. Запрос включает исследовательский вопрос и поля Population, Intervention или Exposure, Comparison и Outcome; документ состоит из заголовка и аннотации. Архитектура — BERT, размер — 433,9 млн параметров, максимальный контекст — 512 токенов. Основной язык — английский. На тестовом наборе из 86 отложенных обзоров средний Recall@20 составил 53,5%, а Recall@200 — 91,7%. Модель обучена на обзорах Nature Portfolio и корпусе, ориентированном на PubMed; качество может отличаться на других базах, языках и предметных областях. Результаты поиска требуют последующего отбора по протоколу и не должны трактоваться как решение о включении статьи. Лицензия — MIT.

MoRE (Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation) — модель исследователей из Северо-Восточного университета, Университета Цинхуа и компании ModelBest. В репозитории размещена дообученная версия Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров; она принимает изображения и текст и выдаёт текст. Карточка указывает архитектуру Qwen2.5-VL, библиотеку Transformers и контекст до 128 000 токенов. MoRE предназначена для мультимодальных вопросов, где для обоснованного ответа требуется находить и использовать знания из текстовых, графических и табличных источников. В README описаны подготовка соответствующих корпусов и оценка на наборах данных для визуальных вопросов и ответов. Модель может быть полезна для ответов на вопросы по изображениям с опорой на внешние знания и для анализа мультимодальных сведений. Модель распространяется по лицензии Apache-2.0. README описывает исследовательский проект и оценочный процесс; качество в иных сценариях и практические ограничения отдельно не охарактеризованы.

OTel-LLM-20B-Reasoning — англоязычная текстовая модель для генерации ответов по извлечённому контексту в телекоммуникационных RAG-системах. Её выпустил участник проекта Open Telco AI; это полнопараметрическое дообучение openai/gpt-oss-20b на наборе OTel-LLM. В метаданных указана архитектура GPT-OSS MoE и 1,6 млрд параметров, а README приводит размер базовой модели — 20 млрд параметров. Доступная длина контекста составляет 131 072 токена. Модель рассчитана на ответы по найденным фрагментам телекоммуникационных стандартов, технических документов и исследований. На отложенной части OTel-LLM оценка контекстно обоснованной корректности составила 71,1% против 65,2% у базовой модели; это сравнение не заменяет внешнюю оценку и не характеризует ответы без предоставленного контекста. Качество зависит от поиска, ранжирования и промпта. Модель специализируется на телекоммуникациях, поддерживает английский язык и предназначена преимущественно для работы с текстом. Лицензия репозитория — Apache-2.0; также необходимо соблюдать условия лицензии базовой модели.

OTel-LLM-24B-IT — англоязычная языковая модель для генерации ответов по телекоммуникационной тематике, разработанная в рамках инициативы OTel Family of Models. Это полно-параметрическая дообученная версия LiquidAI/LFM2-24B-A2B с архитектурой MoE; в метаданных указаны 3,4 млрд параметров и контекст до 128 000 токенов. Модель предназначена для генерации ответов, обоснованных найденными фрагментами документов, в системах Retrieval-Augmented Generation (RAG), использующих материалы по стандартам, сетям и отраслевым телекоммуникационным темам. По оценке на отложенной выборке OTel-LLM точность ответов с учётом контекста составила 79,5% ± 0,6 против 75,0% у базовой модели. Результат относится к заданной оценочной процедуре и не гарантирует аналогичного качества на внешних данных. Модель не оптимизирована для ответов на телекоммуникационные вопросы без предоставленного контекста; качество зависит от поиска, ранжирования и промпта. Она ориентирована на английский язык и текстовые сценарии. Лицензия модели — Apache-2.0; при использовании также необходимо учитывать лицензию или условия базовой модели.

Qwen3-0.6B-khm-ft3 — модель генерации текста, разработанная автором репозитория и дообученная на основе Qwen/Qwen3-0.6B для работы с кхмерским языком. Это плотная причинно-языковая модель Qwen3 с 385,9 млн параметров и контекстом до 40 960 токенов; README описывает сокращение словаря примерно до 32 тыс. кхмероориентированных токенов, продолженное предобучение и настройку по инструкциям. Модель предназначена для ответов на вопросы по найденным фрагментам пользовательских документов в локальных RAG-сценариях. Она рассчитана на запуск офлайн на мобильных устройствах с ограниченной памятью, включая телефон Galaxy S10 2019 года. Модель в первую очередь ориентирована на кхмерский язык и может давать более полные ответы, чем ранние версии ft и ft2. Для корректной работы с документами приложению требуется извлечь релевантный контекст и передать его модели; без него ответы могут быть ошибочными или галлюцинировать. Репозиторий предоставляет веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

RAG-KO-Mixtral-7Bx2-v2.0 — модель MarkrAI, дообученная методом instruction tuning с QLoRA на базе DopeorNope/Ko-Mixtral-v1.4-MoE-7Bx2. Это языковая модель архитектуры Mixtral с разреженной экспертной структурой (MoE), предназначенная для генерации текста в сценариях Retrieval-Augmented Generation (RAG) на корейском языке и в нескольких предметных областях. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для настройки использовался частный датасет HumanF-MarkrAI/Korean-RAG-ver2; веса опубликованы в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с запретом коммерческого использования. Карточка не содержит результатов бенчмарков, поэтому качество модели для конкретных задач не подтверждено опубликованными оценками. Она подходит для экспериментального создания корейских RAG-приложений, но фактическую точность ответов следует проверять на собственных данных.

Superlinear-Exp-v0.1 — экспериментальная языковая модель от Concavity AI, созданная на основе гибридной NVIDIA Nemotron-3-Nano-30B-A3B. В ней используется модифицированная архитектура Superlinear Multi-Step Attention: механизм выбирает подходящие фрагменты контекста с помощью обучаемой маршрутизации и выполняет внимание внутри выбранных фрагментов. Для варианта N=2 заявлена асимптотика O(L^(3/2)) для поиска и обработки фрагментов, что позволяет исследовать работу с последовательностями длиной в миллионы токенов. Модель предназначена для экспериментов с длинным контекстом, извлечения сведений из больших последовательностей и оценки эффективности архитектуры. Карточка приводит результаты проверки на задаче Needle In A Haystack и измерения скорости на GPU NVIDIA B200, но не заявляет всестороннюю оценку качества. Для запуска требуются CUDA-расширения и загрузка удалённого кода через trust_remote_code=True. Модель распространяется по NVIDIA Open Model License Agreement с условиями NVIDIA Trustworthy AI.

Модель разработана Benjamin (kikwaib): это SwahBERT-base-cased, дообученная на датасете KenSwQuAD для извлекающего ответа на вопросы на суахили. Она использует энкодерную архитектуру BERT и определяет начало и конец фрагмента ответа в контексте. Модель содержит 137,8 млн параметров; размер контекста по метаданным — до 512 токенов. Для длинных документов README описывает скользящее окно с шагом 128 токенов и ограничение в 384 токена на фрагмент. Модель подходит для поиска ответов, дословно присутствующих в тексте, и для экспериментов и сравнений в задачах QA на суахили. В README указаны результаты на официальных метриках SQuAD: Exact Match 15,62% и F1 16,90%. Лицензия — Apache-2.0.

adlhw1qamodellert — модель на архитектуре BERT, дообученная на основе hfl/chinese-lert-base для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста по заданному вопросу. В репозитории указаны 129,5 млн параметров, контекст до 512 токенов и формат весов safetensors; базовая модель рассчитана на обработку китайского языка. В README приведено значение loss 0,6023 на оценочном наборе, но датасет, методика оценки и подробные сценарии применения не описаны. Модель выпущена под лицензией Apache-2.0.

bert-covidqa-3 — англоязычная модель BERT, дообученная разработчиком репозитория hung200504 на наборе covid_qa_deepset для извлечения ответов на вопросы из предоставленного текста. Она использует архитектуру BertForQuestionAnswering и рассчитана на контекст длиной до 512 токенов. В метаданных указан размер 136,7 млн параметров и формат PyTorch; на оценочной выборке модель показала значение loss 0,3717. Модель подходит для поиска ответов в текстах о COVID-19 и других материалах, похожих на обучающие данные. Она наследует англоязычную основу deepset/bert-base-uncased-squad2. Лицензия — CC BY 4.0. Карточка не описывает ограничения и детали обучения, поэтому качество за пределами указанного набора данных по приведённым сведениям оценить нельзя.

Модель disham993/electrical-embeddinggemma-ir_f16 — версия семейства Gemma 3 Text для семантического поиска и извлечения информации в электротехнике и электронике. Её разработал пользователь disham993, дообучив unsloth/embeddinggemma-300m на наборе ElectricalElectronicsIR с парами вопросов и фрагментов текста по электротехнике, электронике, энергосистемам и связи. Модель содержит около 302,8 млн параметров и принимает текстовые запросы и фрагменты документов, преобразуя их в признаки для поиска. Это сборка GGUF в формате F16 для запуска через llama.cpp, в том числе на CPU и GPU; заявленная длина контекста — 2048 токенов. README приводит высокие результаты поиска на тестовой выборке из 2000 запросов, но они относятся к набору ElectricalElectronicsIR. Модель ориентирована на английский текст и может хуже работать с другими языками, разговорными формулировками и запросами, смешивающими электротехнику с другими областями. Лицензия — MIT.

prajwal55/gemma-2-2b-legal-merged — дообученная пользователем модель Google Gemma 2 2B Instruct для ответов на вопросы по предоставленным фрагментам законодательства США и документам SEC. Она использует архитектуру Gemma 2 с 2,7 млрд параметров, поддерживает диалог и принимает текстовый вопрос вместе с исходным отрывком, чтобы сформировать текстовый ответ. Контекст модели — 8192 токена; заявлена поддержка английского языка. Модель дообучена методом 4-битного QLoRA, после чего веса адаптера объединены с базовой моделью и сохранены в FP16. Автор сообщает о повышенной точности ответов и числовых данных на тестовой выборке, однако отмечает, что часть улучшения метрик может объясняться усвоением стиля ответов модели-учителя. Для полезного ответа необходимо передавать исходный фрагмент: без него модель может выдумывать сведения. Обучающие данные синтетические и получены от одного учителя, поэтому модель наследует его смещения; автор также сообщает, что некоторые ответы остаются ошибочными. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Gemma.

Ishigaki-AEC-9B — языковая модель ONESTRUCTION для ответов на вопросы о японских строительных спецификациях. Она создана методом supervised fine-tuning с LoRA на базе Qwen3.5-9B и предназначена для работы через Transformers в формате safetensors. Модель отвечает на японском языке по требованиям к архитектурным, гражданским, электротехническим и механическим строительным работам. Она помогает разъяснять процедуры и находить пункты спецификаций и законов, подтверждающие ответ, например при проверке проектной документации. Обучающие материалы подготовлены на основе публичных спецификаций Министерства земли, инфраструктуры, транспорта и туризма Японии и связанных законов. Внутренний тест из 981 вопроса с выбором ответа дал 56,07% против 43,32% у Qwen3.5-9B. Точность ссылок и применимость ответа следует проверять по редакции документов, действующей для конкретного проекта. Модель распространяется по лицензии CC BY 4.0.

wptoux разработал китайскую модель ответов на вопросы на базе ALBERT large. Она дообучена на объединённых наборах Baidu WebQA 1.0 и DuReader: данные преобразованы в формат SQuAD, обучающая выборка содержит 705 139 примеров, проверочная — 69 638. Модель предназначена для извлечения ответа на вопрос из предоставленного текста и использует архитектуру AlbertForQuestionAnswering с весами PyTorch; для токенизации автор рекомендует BertTokenizer. Модель рассчитана на китайский язык и контекст до 512 токенов. Число параметров — 424,3 млн. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о поведении на данных вне указанных наборов.

OnePoint16/distilbert-medical-question_answer — модель DistilBERT, разработанная OnePoint16 и дообученная на базе distilbert/distilbert-base-uncased для извлечения ответов на вопросы. Она предназначена для сценариев question answering, включая поиск ответов на медицинские вопросы в предоставленном контексте. Модель использует архитектуру DistilBertForQuestionAnswering, работает с текстом и рассчитана на контекст до 512 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке указана оценка Loss 5.6100 на тестовом наборе, но датасет, методика оценки и практические ограничения не описаны; поэтому качество ответов, особенно в медицинских сценариях, по имеющимся данным оценить нельзя.

KoGemma-E2B — корейская компактная разговорная модель для локального запуска, разработанная waylake на основе Google Gemma 4 E2B IT. Это версия v6 с 2,3 млрд эффективных и 5,1 млрд общих параметров; веса представляют собой слитый LoRA-чекпойнт в формате safetensors. Модель дообучена на синтетических данных, включая корейские диалоги и примеры вызова инструментов. Она предназначена для ответов на корейском языке и выдачи однострочных JSON-действий для инструментов web_search, fetch_page и calculator. Вызов инструмента зависит от системного промпта: если в нём перечислены инструменты, модель часто вызывает их даже без необходимости. В сравнении с базовой моделью качество знаний осталось примерно на прежнем уровне, а форматирование и вызов инструментов улучшились. Модель принимает текст и выдаёт текст, в том числе структурированные действия в JSON. README рекомендует отключать режим рассуждений, использовать низкую температуру и repetition_penalty 1.15: при включённом рассуждении модель может расходовать токены на английский блок, а высокая температура ухудшает связность ответов. При 2,3 млрд эффективных параметров она уступает крупным корейским моделям; также снизилось качество отказа на запросы о приватной информации, поэтому не следует полагаться на неё как на средство безопасности. Лицензия — Gemma; применяются условия лицензии Gemma.

Loom Tapestry 3 Flash — компактная языковая модель Textile Labs с 7,2 млн параметров на архитектуре Llama. Она обучена с нуля за 48 минут на четырёхъядерном процессоре; README указывает, что модель не проходила дообучение или дистилляцию. Контекст составляет 512 токенов, основным языком карточка называет английский. Модель предназначена для диалогового помощника, который определяет, когда нужен внешний поиск, формирует запрос и сообщает, что ответ получен из найденного источника. Она рассчитана на применение с retrieval harness, который передаёт результаты поиска обратно в модель; лицензия — MIT. Сильная сторона модели — поведение при атрибуции: в приведённой проверке она не заявляла о поиске, которого не было. Однако её способность извлекать сведения из результатов поиска ненадёжна, особенно на реальных энциклопедических текстах, а ответы на уточняющие вопросы по контексту часто ошибочны. Без инструментов у модели почти нет знаний о мире; также она хуже справляется с грубо искажённым вводом. Сам README характеризует её как помощника для поиска, а не разговорного собеседника.