I.1Поиск и навигация по информации

RoG — специализированная модель генерации текста от исследовательской группы RManLuo, разработанная для проекта Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning. Модель объединяет большую языковую модель с графами знаний и используется в планировании путей отношений, извлечении релевантных путей и последующем формировании ответов на вопросы с опорой на эти пути. Модель относится к семейству Llama, содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена прежде всего для многопрыжкового ответа на вопросы по графам знаний, включая задачи на основе WebQSP и Complex WebQuestions, а также для получения интерпретируемых ответов с объяснением через цепочки отношений. В Hugging Face модель опубликована для text-generation и работает с Transformers и PyTorch. Сильная сторона RoG — сочетание генерации планов рассуждения с внешними структурированными знаниями, что может повышать обоснованность и интерпретируемость ответов в графовых системах вопросов и ответов. Модель не является универсальной мультимодальной системой: её применение рассчитано на текстовую генерацию в связке с графом знаний и соответствующим конвейером извлечения путей. Лицензия в доступных источниках не установлена.

anmol-unitmole/longformer-qasper-document-qa — модель извлечения ответов из научных статей, созданная дообучением Longformer на подмножестве QASPER v0.3. Она принимает вопрос и текст документа и предсказывает один непрерывный фрагмент текста в качестве ответа. Модель основана на valhalla/longformer-base-4096-finetuned-squadv1, использует архитектуру LongformerForQuestionAnswering и содержит 151,8 млн параметров; контекст — до 4098 токенов. Модель рассчитана на поиск ответов, которые явно присутствуют в тексте научной статьи, и может помочь извлечь фрагмент-ответ вместе с его текстовыми свидетельствами. В проверке на 200 извлекаемых примерах из валидационной выборки QASPER она превзошла указанные в карточке базовые варианты, однако Exact Match составил 12,5%, а Token F1 — 26,66%, поэтому результаты не подтверждают надёжность для производственного применения. Обучение исключало вопросы с ответами «да/нет», отсутствующими или неразрешёнными ответами, свободными формулировками и несколькими фрагментами. Лицензия — MIT.

slm-125m-legal-dpo-v2 — языковая модель на 125,8 млн параметров, разработанная AbhishekAI. Это дообученная методом Direct Preference Optimization версия slm-125m-legal-sft-v2 на базе архитектуры Llama; модель предназначена для ответов на вопросы по предоставленным юридическим и финансовым отрывкам и для использования в retrieval-augmented generation (RAG). Она принимает текстовый запрос вместе с контекстом в формате чата и генерирует текстовый ответ. Контекст модели — 1024 токена, формат весов — safetensors. В описанной авторами оценке на 300 отложенных запросах DPO-версия улучшила среднюю оценку по сравнению со своей SFT-базой, особенно по критерию опоры на контекст. Это небольшой чекпойнт для демонстрации метода, а не надёжная экспертная система: без переданного отрывка модель может выдумывать сведения, цитаты и судебные решения, ошибаться в арифметике и иногда повторять фрагменты текста. Авторы также отмечают низкую абсолютную оценку и ограниченность оценки одним судьёй и одним набором запросов. Лицензия — Apache-2.0; модель не предназначена для юридических или финансовых консультаций.

TimeLens2-4B-SFT — исследовательский SFT-чекпойнт мультимодальной модели для временной привязки визуальных свидетельств в видео. Разработчики дообучили Qwen3-VL-4B-Instruct на примерах с видео и текстовыми запросами; архитектура — плотная Qwen3-VL для условной генерации. Модель принимает видео и текстовый запрос и возвращает временные интервалы, в которых присутствуют запрошенные визуальные сведения. Чекпойнт предназначен прежде всего для генерации off-policy rollout-ов для этапа GRPO и воспроизведения или расширения обучающего конвейера TimeLens2. При SFT использовался полный контекст видео, последовательности до 100K токенов и замороженный визуальный энкодер. Это промежуточный SFT-чекпойнт, а не финальная GRPO-оптимизированная версия из статьи. Лицензия — Apache-2.0.

Yale-BIDS-Chen разработала эту модель для фильтрации свидетельств в медицинских системах генерации с дополненным поиском (RAG). Это дообученная версия meta-llama/Llama-3.1-8B-Instruct: плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, работающая через Transformers. Контекст модели составляет до 131 072 токенов. Модель принимает клинический запрос и текстовый фрагмент-кандидат и генерирует «Yes», если фрагмент содержит подтверждающие данные, или «No», если не содержит. Она предназначена для оценки релевантности найденных фрагментов, повышения качества поиска и отбора материалов перед генерацией ответов на медицинские вопросы. В карточке описано обучение на 3 200 размеченных экспертами парах запрос–фрагмент и оценка методом пятикратной перекрёстной проверки. В опубликованной оценке F1 составил 0,623; это выше показателей приведённых в карточке базовых моделей без дообучения, однако результат измерен на ограниченном наборе пар. Модель рассчитана на исследовательское применение и не заменяет клиническую проверку доказательств. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

NakJun разработал Llama-3.2-1B-Instruct-korQuAD-v1 — дообученную с помощью LoRA модель семейства Llama для ответов на вопросы на корейском языке. В качестве основы использована meta-llama/Llama-3.2-1B-Instruct, а для обучения — набор KorQuAD v1.0. Модель содержит 1,2 млрд параметров, имеет контекстное окно 131 072 токена и распространяется в формате safetensors. Модель предназначена для генерации ответов на вопросы по-корейски, в частности для задач в стиле KorQuAD. В README приведены результаты оценки по Exact Match и F1 для двух версий, но не описаны подробности тестовой выборки и условий сравнения. Лицензия — llama3.2; перед использованием следует учитывать её условия.

Maple — ассистентская модель канадской направленности, разработанная на базе Victoria и дообученная для ответов на повседневные вопросы с учётом контекста Канады. Если пользователь не указывает страну, модель трактует вопросы о налогах, работе, пособиях, иммиграции, здоровье и жилье в канадском контексте; при указании другой юрисдикции должна учитывать её. С инструментом веб-поиска модель ищет сведения и цитирует официальные канадские источники. Модель использует архитектуру Qwen4ExpForConditionalGeneration; заявлено 5,9 млрд активных параметров на токен. Это текстовая модель с интерфейсом чата и вызова инструментов. Версия опубликована в формате NVFP4 для vLLM и рассчитана на один графический процессор NVIDIA Blackwell, например B200 или B300. В карточке указаны английский и французский языки. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. В опубликованной оценке на 600 отложенных вопросах Maple прошла заданный стандарт ответов в 21,8% случаев с веб-поиском и в 7,5% без него; сравнение проводили два ИИ-оценщика. Авторы отмечают, что человеческой оценки пока не было. На dev-наборе модель уступила Qwen3.8-Flash-Next в вопросах о канадской культуре и чаще не отвечала на вопросы. Для актуальных и важных сведений следует проверять цитируемые источники.

OTel-LLM-1.7B-IT — компактная языковая модель для генерации ответов по телекоммуникационным материалам. Её выпустил Farbod Tavakkoli в рамках открытой инициативы Open Telco AI. Модель получена полным дообучением Qwen/Qwen3-1.7B на наборе OTel-LLM; архитектура — плотная Qwen3ForCausalLM, размер — 1,7 млрд параметров, формат репозитория — PyTorch, контекст — до 40 960 токенов. Основной сценарий — генерация ответов в RAG-системах: модели передают найденные документы или фрагменты телекоммуникационных стандартов и материалов, а она формулирует ответ, опираясь на этот контекст. Обучающие данные охватывают стандарты 3GPP, документы GSMA, RFC IETF, научные публикации и другие телекоммуникационные источники. В тестировании на отложенной части OTel-LLM оценка корректности с контекстом составила 61,3% ± 0,8 против 52,8% у базовой модели; это внутренняя оценка, а не независимый внешний бенчмарк. Модель рассчитана на английский язык и текстовые сценарии. Она не оптимизирована для ответов на телекоммуникационные вопросы без найденного контекста; качество зависит от поиска, ранжирования и промпта. Результаты могут различаться по подтемам, поэтому ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия репозитория — Apache-2.0; также необходимо соблюдать условия лицензии базовой модели.

Sudhanshu1985/slm-125m-sft — дообученная инструкционная модель на архитектуре Llama с 125,8 млн параметров, созданная на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы по предоставленному контексту в задачах поиска сведений и рассуждений, а также для отказа, если ответ не содержится в контексте. Модель обучена на синтетических парах grounded QA по материалам права США, финансовой отчётности и образовательного веб-контента; README сообщает о 24 713 парах и обучении в пределах окна 1024 токена. Модель принимает текстовый запрос и контекст, а выдаёт текстовый ответ. Она рассчитана прежде всего на англоязычный юридический и финансовый регистр; для диалога и следования инструкциям требуется предусмотренный репозиторием шаблон чата. По данным README, модель не располагает собственными надёжными фактами и должна отвечать только на основе переданного контекста; более длинные входы требуется разбивать на фрагменты. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Apache-2.0.

Kinya-COLBERT Free — модель поиска и получения эмбеддингов для RAG-систем на киньяруанда, разработанная C4IR Rwanda и KiNLP при поддержке GIZ и финансировании BMZ. Она обучена на парах сельскохозяйственных вопросов и ответов и предназначена для поиска релевантных материалов, чтобы предоставлять фермерам консультации через интерактивную голосовую телефонную линию. Модель основана на BERT и использует архитектуру HF_ColBERT. Она содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. Возможные сценарии включают поиск сведений о вредителях и болезнях растений, агроклиматических практиках и программах поддержки фермеров, например страховании урожая. Лицензия — CC BY 4.0. Модель специализируется на киньяруанда и сельскохозяйственных вопросах; её назначение — извлечение признаков для информационного поиска, а не самостоятельная генерация ответов. Для использования в описанном проекте её подключают к RAG-системе.

slm-125m-legal-sft-v2 — компактная языковая модель с архитектурой Llama, разработанная Abhishek AI и дообученная методом SFT на базе abhishekai/slm-125m-legal-base. Она предназначена для ответов на вопросы по предоставленным юридическим и финансовым отрывкам и может использоваться как генеративный компонент конвейера с поиском документов. Модель содержит 125,8 млн параметров, принимает текст и имеет контекст 1024 токена. Карточка описывает формат чата с системным сообщением и пользовательским запросом, за которым следуют контекст и отрывок. Модель обучалась на англоязычных примерах; лицензия — Apache-2.0. Автор сообщает, что версия v2 не показала измеримого улучшения относительно v1: разница оценок составила +0,09 из 10, а доверительный интервал включал ноль. По описанным испытаниям около 4,3% ответов повторяются; без предоставленного отрывка модель может уверенно выдумывать сведения, ненадёжна в арифметике и способна придумывать судебные цитаты. Это демонстрационная модель для чтения и ответа по контексту, а не источник юридических или финансовых рекомендаций.

Модель roger33303 — дообученная версия диалоговой Llama 3.2 с 3,2 млрд параметров, предназначенная для ответов на вопросы об университетских курсах Университета Вестминстера. Она помогает находить сведения о программах, кампусах, продолжительности и форматах обучения, стоимости для студентов из Великобритании и других стран, а также ссылки на страницы курсов. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке; заявленная длина контекста — 131 072 токена. Дообучение выполнено на частном наборе данных, собранном с сайта университета; веса представлены в формате safetensors. Лицензия — Apache-2.0. Ответы могут отражать содержимое использованного набора данных и не гарантируют актуальность сведений о курсах и стоимости.

Это экспериментальная версия BLOOM-560m, дообученная автором jasoneden на датасете SQuAD v2 для ответа на вопросы по предоставленному контексту. Модель основана на плотной архитектуре BLOOM и содержит 659,6 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель задумана как proof of concept и отправная точка для экспериментов с дообучением BLOOM на задаче question answering. Для прикладного использования стоит учитывать, что карточка не содержит результатов оценки качества и подробностей о тренировке. Лицензия — BigScience BLOOM RAIL 1.0.

Indus — энкодерная трансформерная модель на базе RoBERTa, разработанная IBM Research совместно с NASA Science Mission Directorate (SMD) для научных текстов. Репозиторий nasa-impact/nasa-smd-ibm-v0.1 содержит версию с 151,8 млн параметров по метаданным Hugging Face; в README указано 125 млн, поэтому размер версии описан неодинаково. Модель использует masked language modeling и поддерживает заполнение пропусков в тексте; карточка также указывает сценарии информационного поиска, распознавания именованных сущностей и извлечения ответов на вопросы. Модель предназначена для поиска и анализа публикаций в областях науки о Земле, климата, биологии и других тем NASA SMD. Обучающие данные включают англоязычную Википедию, научные публикации AGU и AMS, материалы Astrophysics Data System, а также аннотации и статьи PubMed и PubMed Central. Архитектура RoBERTa, библиотека Transformers, контекст до 514 токенов; основной язык — английский. Карточка называет модель экспериментальной и приглашает сообщество оценивать её возможности. Лицензия репозитория — Apache-2.0. Это энкодерная модель: карточка не описывает генерацию свободного текста, а заявленные поисковые и извлекательные сценарии требуют подходящего прикладного конвейера.

AFM-4.5B-OpenMed-RL-CoT — медицинская дообученная версия Arcee AFM-4.5B от сообщества openmed-community. Модель с плотной архитектурой ArceeForCausalLM прошла SFT, DPO и GRPO для медицинских вопросов и ответов, следования инструкциям и обогащения рассуждений. Для обучения использовались синтетические медицинские данные, предпочтения на основе MedMCQA и проверяемые сигналы MedReason; также применялись примеры вызова поисковых инструментов. Модель рассчитана на текстовый диалог, поддерживает английский язык и контекст до 65 536 токенов. Модель подходит для исследовательских экспериментов и демонстраций медицинского поиска с привлечением внешних источников. В оценке авторов она превзошла базовую модель по MMLU и MMLU-Pro, но показала более низкий результат IFEVAL; результаты зависят от шаблонов и настроек оценки. Модель может галлюцинировать и не предназначена для диагностики, лечения, назначения препаратов или принятия срочных клинических решений. Лицензия — Apache-2.0.

DataGemma RAG — модель Google, дообученная на базе Gemma 2 27B IT для использования в RAG-сценариях с общедоступной статистикой Data Commons. По текстовому запросу о статистике она генерирует список запросов на естественном языке, понятных интерфейсу Data Commons; это один из этапов полного контура поиска и ответа, а не самостоятельный доступ к статистической базе. Модель содержит 27 млрд параметров и распространяется в формате safetensors; в README описан запуск с 4-битной квантизацией через bitsandbytes. Язык работы в карточке не указан. Модель предназначена прежде всего для исследовательского и тестового применения. Google предупреждает, что это ранняя версия, обученная на небольшом наборе синтетических примеров; она может ошибаться и выдавать спорные или воспалительные результаты и не прошла обычную оценку безопасности Google. Лицензия — Gemma; для использования действуют условия Google Gemma.

GhostFaith/distilbert-fakenews — модель, разработанная Amey Dande и дообученная на DistilBERT для бинарной классификации англоязычных новостных статей и заголовков на реальные и фейковые. Это шестислойный трансформерный энкодер DistilBERT с классификационной головой; модель использует контекст до 512 токенов и обучалась на очищенном от дубликатов наборе WELFake. Модель предназначена для учебных и демонстрационных проектов, а также как базовый сигнал в системах проверки фактов или модерации. В README сообщается о точности 99,12% и F1 0,9900 на отложенной выборке WELFake; эти результаты относятся к этому набору данных и не гарантируют перенос на другие источники и жанры новостей. Модель выпущена по лицензии MIT.

fermi-1024 — разреженная модель поиска по документам в ядерной энергетике, разработанная Atomic Canyon. Она кодирует запросы и документы в разреженные векторы, координаты которых соответствуют токенам словаря, а значения отражают их важность. Модель дообучена на базе fermi-bert-1024 с использованием LSR; для обучения применялись MS MARCO Passage Dataset и учительская модель ms-marco-MiniLM-L-6-v2. Модель рассчитана на поиск релевантных фрагментов в документации ядерной отрасли и учитывает специализированную лексику: например, «NRC» токенизируется как единое слово. Контекст составляет 1024 токена. Помимо оценки на ядерных текстах, модель проверялась на MS MARCO и части набора BEIR; разработчики отмечают сильные результаты в работе с отраслевыми терминами. Карточка Hugging Face указывает задачу fill-mask, однако описание и обучение модели посвящены разреженному поиску и расширению документов. Лицензия — Apache 2.0. Результаты оценки зависят от использованных авторами инструментов и наборов данных; для разреженных эмбеддингов разработчики отмечают недостаток стандартизированных средств оценки.

OTel-LLM-4B-IT — языковая модель семейства OTel, созданная Open Telco AI и дообученная всеми параметрами на базе google/gemma-3-4b-it. Это плотная модель Gemma 3 с 4 млрд параметров, предназначенная для генерации ответов по найденным фрагментам телекоммуникационных документов в RAG-системах. Обучающие данные OTel-LLM включают отобранные примеры на основе телеком-статей, стандартов 3GPP и IETF, материалов GSMA и других источников; модель рассчитана на английский язык и текстовый ввод. В описанной оценке на отложенной выборке OTel-LLM точность ответов с опорой на контекст составила 73,2% против 66,2% у базовой модели. Это не оценка свободных ответов без контекста, а результат для конкретной телекоммуникационной выборки; качество зависит от поиска, ранжирования, переданного контекста и промпта. Результаты следует проверять отдельно для нужных поддоменов и внешних наборов данных, а ответы — подтверждать перед операционным, клиентским, регуляторным или сетевым использованием. Лицензия модели — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели.

Qwen3-1.7B SearchQA TCOD-B2F — экспериментальный чекпойнт, созданный автором SeanWang0027 на базе Qwen3-1.7B. Модель обучалась методом on-policy distillation с curriculum TCOD и учителем Qwen3-32B на задаче AgentGym-RL SearchQA; опубликован экспорт шага обучения 200. Это плотная авторегрессионная модель Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов, предназначенная для генерации текста в диалоге с поисковым агентом. Модель рассчитана на сценарий SearchQA с ReAct-диалогом и использованием поиска для ответа на вопросы. В README указаны 16 раундов взаимодействия и отключённый режим thinking. Чекпойнт не оценивался, поэтому его качество и пригодность для практического применения не подтверждены. Лицензия в предоставленных данных не указана.

Minbyul разработал эту исследовательскую версию Qwen3.5-35B-A3B для изучения влияния начальной SFT-модели на обучение поведения веб-агента с помощью GRPO. Модель основана на смеси экспертов (MoE): около 35 млрд параметров всего и около 3 млрд активных на токен. Она принимает текстовые запросы и использует интерфейс вызова инструментов для поиска в интернете, открытия страниц и поиска по их содержимому. Модель прошла SFT на отфильтрованных по корректности траекториях веб-агента, а затем дообучение GRPO для принятия решения, когда прекратить поиск. Контрольная точка выбрана как точка снижения избыточного поиска без потери точности в конкретной оценке; обучение проводилось с контекстом 131 072 токена. Архитектура и шаблон вызова инструментов сохранены от базовой модели. Лицензия — Apache-2.0. Модель предназначена для исследований многошагового веб-поиска с инструментами и поведения остановки, а не для производственного использования. Её результаты зависят от обученного формата инструментов и запросов; безопасное окно дальнейшего RL узкое, а правило остановки основано на эвристическом проверяющем сигнале. Для другой среды инструментов или функции вознаграждения эффективность следует проверять заново.

sadiqoon/sadiq-cite-8b — диалоговая модель на базе Qwen3-8B, дообученная для ответов по исламскому праву (фикху) с цитированием предоставленных фрагментов. Она предназначена для RAG-сценариев: получает вопрос и найденные материалы, формирует ответ с цитатами и отказывается отвечать, если контекст не относится к вопросу. Модель имеет 7,6 млрд параметров, архитектуру Qwen3 с плотной причинной языковой моделью, принимает текст и поддерживает арабский и персидский языки. Нативная длина контекста — 40 960 токенов. В обучении использованы 3 949 примеров «вопрос — фрагмент — ответ» и 500 примеров отказа; LoRA-дообучение применялось к проекциям внимания и MLP, после чего адаптер был объединён с базовыми весами. В описанной оценке модель цитировала предоставленные фрагменты в 99,6% ответов, однако 10,8% цитат не находились в источниках; для проверки цитат автор рекомендует использовать отдельный верификатор. Если во входных фрагментах нет сведений о книге и странице, модель может выдумать библиографическую ссылку. Модель распространяется по лицензии MIT.

gdiamos/amx-reasoning-v1-instruct — компактная причинная языковая модель, разработанная для эксперимента с обучением и выводом на одном ядре Intel Emerald Rapids с использованием bf16 и AMX. Это плотная архитектура M2R с шестью слоями, сочетающая скользящее оконное и линейное внимание. В каждом токене активно около 3,32 млн параметров; всего хранится около 7,49 млн параметров. Модель предназначена для извлечения коротких ответов на вопросы по предоставленному отрывку: обычно отвечает одним или двумя словами и останавливается. На отложенной выборке extractive QA авторы сообщают 18,2% exact match и 23,2% F1; на DROP — 25,0% exact match. Репозиторий включает веса bf16 в safetensors и собственную реализацию архитектуры: стандартный AutoModelForCausalLM из Transformers модель не загружает. Для генерации требуется применять маску токенов из generation.json. Модель слабо справляется с арифметикой по тексту, многоэлементными ответами и вопросами без ответа в отрывке; без исходного отрывка её возможности ограничены. Она не проходила обучение выравниванию, безопасности или предпочтениям и может воспроизводить ошибки и предвзятость обучающих данных. Лицензия — Apache-2.0.

ClimateGPT-7B-FSC — англоязычная модель Erasmus AI, обученная совместно с AppTek для синтеза междисциплинарных исследований об изменении климата. Это декодерный трансформер семейства Llama с 6,6 млрд параметров, дообученный для следования инструкциям и ответов на вопросы. Модель принимает и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на английский язык. Модель подходит для ответов на климатические вопросы, особенно в связке с поиском по источникам: в контекст можно передать до пяти ссылок и их текстов. Разработчики рекомендуют использовать извлечение информации для расширения знаний и повышения фактической точности; для других языков предлагается каскадный машинный перевод. Карточка описывает её как исследовательский эксперимент, предназначенный для воспроизведения результатов и исследований LLM. В README указана ClimateGPT Community License; метаданные классифицируют лицензию как other. Модель может выдавать предвзятые, оскорбительные или недостоверные ответы. Для практических сценариев, отличных от исследований, разработчики рекомендуют другие модели семейства ClimateGPT.

geo-capital-llm — дообученная на базе GPT-2 модель для ответов на вопросы по географии. Она предназначена для запросов о столицах, валютах и фактах о странах, штатах и городах. Для обучения использованы 277 642 примера из countries-states-cities-database; сведения о столицах штатов дополнены данными Wikidata. Модель построена на архитектуре GPT-2, принимает текст и генерирует текст, поддерживает английский язык и контекст до 1 024 токенов. Лицензия — MIT. Модель специализирована на географических вопросах и может отвечать на соответствующие фактические запросы. Её ответы ограничены тематикой и данными обучения; точность и актуальность отдельных фактов могут различаться.

OTel-LLM-14B-IT — языковая модель на 14 млрд параметров, разработанная в рамках открытой инициативы OTel для телекоммуникационной отрасли. Это полнопараметрическое дообучение Qwen/Qwen3-14B на наборе OTel-LLM; модель использует плотную архитектуру Qwen3, поддерживает диалоговый режим и принимает контекст до 40 960 токенов. Модель предназначена для генерации ответов на вопросы о телекоммуникациях в RAG-системах: ей передают найденные фрагменты стандартов, технической документации или других источников, а она формирует ответ с опорой на этот контекст. В оценке на отложенной части OTel-LLM показатель корректности ответов с контекстом составил 66,2% против 60,7% у базовой модели; это сравнение не заменяет независимую проверку в целевом сценарии. Модель рассчитана на английский язык и преимущественно на текстовые задачи. Она не оптимизирована для ответов без предоставленного контекста; качество зависит от поиска, ранжирования фрагментов и формулировки запроса. Результаты следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия модели — Apache-2.0; при использовании также необходимо соблюдать лицензию или условия базовой модели.

OTel-LLM-8B-A1B-IT — англоязычная языковая модель для генерации ответов по телекоммуникационным данным, разработанная в рамках открытой инициативы OTel Family of Models. Модель получена полным дообучением LiquidAI/LFM2.5-8B-A1B на наборе OTel-LLM. В карточке указаны 8 млрд параметров, тогда как метаданные каталога сообщают 1,6 млрд; это расхождение не позволяет однозначно установить размер. Модель использует архитектуру MoE, работает с текстом и поддерживает контекст до 128 000 токенов. Основной сценарий — генерация ответов, опирающихся на найденные фрагменты документов в RAG-системах для телекоммуникаций. Данные для обучения включают примеры, основанные на материалах 3GPP, IETF, GSMA и других телекоммуникационных источниках. В приведённой оценке точность ответов с предоставленным контекстом составила 88,4% на отложенной части OTel-LLM против 81,2% у базовой модели; это оценка на данных проекта, а не независимый внешний бенчмарк. Модель не оптимизирована для ответов на телекоммуникационные вопросы без найденного контекста; качество зависит от поиска, ранжирования и инструкций. Она рассчитана на английский язык, а сгенерированные ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия модели — Apache-2.0; также необходимо соблюдать условия лицензии или использования базовой модели.

ritrieve_zh_v1-i1-GGUF — это набор квантизированных файлов формата GGUF для модели richinfoai/ritrieve_zh_v1, подготовленный пользователем mradermacher. Модель ориентирована на работу с китайским языком; в обучении использовались наборы BAAI/Infinity-Instruct и opencsg/chinese-fineweb-edu. README не уточняет исходную архитектуру, количество параметров, длину контекста, поддерживаемые модальности или конкретные прикладные сценарии, поэтому эти характеристики нельзя достоверно описать. Основная особенность репозитория — weighted/imatrix-квантизация в диапазоне от крайне компактных вариантов i1-IQ1_S и i1-IQ1_M размером около 0,2 ГБ до i1-Q6_K размером около 0,4 ГБ. Доступны различные уровни компрессии, позволяющие выбирать между размером, скоростью и качеством; для повседневного использования в README рекомендуются i1-Q4_K_M и i1-Q4_K_S, а наиболее компактные варианты сопровождаются предупреждениями о низком качестве. Это облегчает локальный запуск на устройствах с ограниченными ресурсами, но сильная квантизация может заметно ухудшать результаты. Лицензия указана как MIT. Для использования требуются совместимые инструменты, поддерживающие GGUF; конкретные требования к оборудованию и параметры запуска в README не приведены.

deepset выпустила deepset/roberta-base-squad2-covid — англоязычную модель для извлечения ответов на вопросы по документам о COVID-19. Она основана на deepset/roberta-base-squad2 и дообучена на аннотациях в стиле SQuAD, созданных для CORD-19. Модель использует архитектуру RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для поиска фрагмента ответа в тексте научных публикаций и других документов о COVID-19, в том числе в конвейерах Haystack. В пятифолдовой проверке указаны средние F1 0,499 и top-3 recall 0,802; опубликованный чекпойнт получен на третьем фолде. Лицензия — CC BY 4.0. Результаты проверки показывают, что качество извлечения ответов может быть ограниченным; модель обучена для тематических англоязычных текстов, поэтому её не следует считать универсальной QA-моделью.

Selective ReadTwice — архив ранних оценённых контрольных точек 7,1-миллиардной плотной языковой модели семейства Qwen2 с обученным селективным чтением. Репозиторий включает замороженную базовую модель-читатель и отдельные gate-адаптеры; по README, контрольные точки охватывают SFT и обучение с подкреплением по результатам, а адаптер gate_adapter выбран по умолчанию с порогом 0,06. Контекст модели составляет 32 768 токенов, веса хранятся в формате safetensors, основная задача в метаданных — генерация текста. Модель предназначена для диалоговой генерации с выборочным чтением: для её работы требуется включённый код читателя с повторными проходами и соответствующий gate-адаптер. Обычный конвейер text-generation сам по себе не реализует выборочное чтение; адаптеры нельзя сливать с замороженным читателем, а для инференса нужно явно загрузить корневую модель и выбранный каталог адаптера. В README приведены калибровочные контрольные точки, часть из них не имеет выбранного порога для инференса. Лицензия в предоставленных данных не указана.