I.1Поиск и навигация по информации

DataGemma RIG — экспериментальная модель Google, дообученная на базе Google Gemma 2 27B IT. Она предназначена для подхода retrieval interleaved generation (RIG): при ответе на вопросы модель формулирует естественно-языковые запросы к интерфейсу Data Commons и вставляет специальные аннотации рядом со статистическими утверждениями. Это помогает связывать ответы с публичными статистическими данными; для полного сценария RIG требуется соответствующая система извлечения данных. Модель принимает текст и генерирует текст на английском языке. В карточке указан формат аннотаций вида [__DC__("") --> ""]. Веса доступны в формате safetensors для Transformers; лицензия — Gemma. Google описывает эту версию как раннюю и обученную на небольшом корпусе синтетических примеров, предназначенную для доверенных тестировщиков и академических исследований. Возможны ошибки, а также спорные или провокационные ответы; модель не готова к коммерческому или широкому публичному применению.

cemig-nlp-releases/energy-gpt-regulatorio-v3 — модель семейства Qwen3.5, разработанная для диалоговой работы с нормативными и техническими материалами в сфере распределения электроэнергии. Согласно карточке, модель обучена с нуля на наборе TokenLab/CemigConvoV1.1 и данных norm_tecnicas_dist.jsonl; в метаданных указаны архитектура Qwen3_5ForConditionalGeneration, поддержка чата и изображений, а также формат safetensors. Модель предназначена для ответов на вопросы и диалога по тематике регулирования и распределения электроэнергии. Заявленная оценка на тестовом наборе: loss 0,6464 и perplexity 1,9087. Карточка не сообщает размер параметров, длину контекста, языки, лицензию или условия коммерческого использования, поэтому эти характеристики нельзя определить.

Это модель для ответов на вопросы на основе BERT, дообученная разработчиком badokorach. Она предназначена для извлечения ответа из текста по заданному вопросу. Размер модели — 205,1 млн параметров, максимальная длина контекста — 512 токенов; опубликован вариант в формате TensorFlow. Название указывает на настройку для языка луганда, однако карточка не описывает обучающие данные, языковой охват, сценарии применения или результаты оценки. В README приведены нулевой validation loss и номер эпохи 0, поэтому эти значения не подтверждают качество модели. Лицензия в предоставленных данных не указана.

OTel-LLM-27B-IT — англоязычная плотная языковая модель на 27 млрд параметров, разработанная в рамках открытой инициативы Open Telco AI. Она получена полнопараметрическим дообучением google/gemma-3-27b-it на телекоммуникационных данных OTel-LLM, подготовленных с участием отраслевых экспертов и включающих материалы по стандартам и сетевым технологиям. Модель предназначена для генерации ответов на основе контекста, извлечённого поиском в RAG-системах для телекоммуникационной отрасли. Её применяют для ответов по стандартам и документам, например 3GPP, GSMA и IETF. В описанной оценке точность ответов, основанных на предоставленном контексте, составила 88,2% против 84,5% у базовой модели; результат относится к внутреннему отложенному разделу OTel-LLM и не гарантирует качество на внешних наборах или во всех поддоменах. Модель рассчитана прежде всего на английский язык и текстовый ввод. Она не оптимизирована для вопросов без извлечённого контекста; качество зависит от поиска, ранжирования, контекстного окна и промпта. Ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия репозитория — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели.

SaibaTudo-Eleicao2026 — модель NLU, разработанная для приложения SaibaTudo Eleições 2026. Она дообучена методом QLoRA на базе Qwen2.5-1.5B-Instruct и преобразует вопросы избирателей о всеобщих выборах Бразилии 2026 года в короткий JSON с намерением и упомянутыми сущностями, например должностью, штатом, партией или именем кандидата. Модель работает с текстом на бразильском португальском языке; базовая архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов. Модель предназначена для маршрутизации запросов и извлечения сущностей, а не для выдачи фактов, рекомендаций о кандидатах или прогнозов. Приложение формирует ответы локально на основе открытых данных избирательного органа Бразилии TSE; результат модели проходит повторную проверку, а в производственном сценарии JSON ограничивается грамматикой GBNF. Обучение охватывает формулировки на PT-BR, но модель может ошибаться на редком сленге, экстремальных опечатках и редких именах. Лицензия — MIT.

VideoChat-TPO — мультимодальная модель для диалога о видео, разработанная OpenGVLab и основанная на работе Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment. Она дообучена на Mistral-7B-Instruct-v0.2 и предназначена для ответов на текстовые запросы о видеоматериалах. Модель принимает видео вместе с текстовым запросом и формирует текстовый ответ. В метаданных указаны архитектура MultiModalLLM_PT, библиотека Transformers и формат весов safetensors. Лицензия — MIT. Карточка не сообщает подробностей о поддерживаемых языках или длительности и разрешении видео.

NeuML/bert-small-cord19qa — компактная модель BERT, дообученная NeuML на наборе CORD-19 QA. Она предназначена для ответов на вопросы по предоставленному контексту о COVID-19 и исследованиях, связанных с коронавирусами; датасет оформлен в формате SQuAD 2.0 и включает примеры без ответа. Модель содержит 40,8 млн параметров, рассчитана на контекст до 512 токенов и доступна в форматах PyTorch и Flax. Модель подходит для извлечения ответов из научных текстов и вопросов по материалам CORD-19. Она не предназначена для свободного диалога или ответов без контекста, а качество вне тематики и распределения обучающего набора не подтверждено. Лицензия в предоставленных данных не указана.

Модель somosnlp/GemmaColRAC-AeroNavigatorLLM-2b разработана SomosNLP и представляет собой дообученную версию google/gemma-2b-it для работы с Регламентом гражданской авиации Колумбии (RAC). Она предназначена для генерации ответов и понятных объяснений по авиационным правилам на испанском языке, в том числе для специалистов отрасли и пользователей, которым нужно разобраться в требованиях регламента. Модель построена на плотной архитектуре GemmaForCausalLM и содержит 2,5 млрд параметров. Она работает с текстом, поддерживает диалоговый режим, имеет контекстное окно 8192 токена и распространяется в формате safetensors по лицензии Apache-2.0. В README описано дообучение на наборе RAC_Colombia_QualityImproved025; независимая экспертная оценка ещё разрабатывается.

SeanWang0027 опубликовал контрольную точку Qwen3-1.7B, дообученную методом FutureBridge-OPD на задаче SearchQA с учителем Qwen3-32B. Это плотная авторегрессионная модель семейства Qwen3 с 1,7 млрд параметров, экспортированная после 200 шагов обучения; в эксперименте использовались диалоговый формат ReAct, отключённый режим рассуждений и до 16 раундов взаимодействия. Карточка указывает контекстное окно 40 960 токенов и библиотеку Transformers. Модель предназначена для генерации текста в сценариях поиска ответов на вопросы и диалогового взаимодействия. Она обучалась на 6000 вопросах из обучающего раздела SearchQA, но опубликованный чекпойнт не оценивался, поэтому его качество и пригодность для практического применения не подтверждены. Базовая модель — Qwen/Qwen3-1.7B; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

AnandHaridas1980 выпустил slm125m-live-sft — дообученную методом полного supervised fine-tuning модель Llama для ответов на вопросы по предоставленному фрагменту текста в юридических и финансовых сценариях. Модель содержит 125,8 млн параметров, работает с текстом и имеет контекстное окно 1 024 токена. Она обучена на 2 620 парах вопрос–ответ на английском языке и рассчитана на однократный запрос в заданном шаблоне: ответить только по контексту или сообщить, что ответа в нём нет. В тесте на 200 отложенных примерах модель лучше базовой отказывалась отвечать, когда контекста недостаточно, однако правильно отвечала примерно на 21% вопросов, ответ на которые действительно содержался в тексте. Поэтому её можно использовать как недорогой предварительный компонент для маршрутизации отказов, но ответы и факты необходимо проверять по источнику. Модель не обучалась на нерелевантных фрагментах, не предназначена для многошаговых рассуждений и многоходового диалога; контекст ограничен 1 024 токенами. Лицензия — Apache-2.0.

fxmarty/tiny-doc-qa-vision-encoder-decoder — компактная модель для ответов на вопросы по изображениям документов. Репозиторий fxmarty размечен для задачи document-question-answering и содержит архитектуру vision-encoder-decoder; карточка предлагает запуск через соответствующий pipeline Transformers. Модель принимает изображение документа и вопрос в текстовой форме, а выдаёт текстовый ответ. Карточка указывает, что модель предназначена только для тестирования, поэтому её возможности и качество не следует считать подтверждёнными для производственного применения. Лицензия — MIT.

Salesforce/discord_qa — компонент для ответов на вопросы из работы Discord Questions, представленной на EMNLP 2022 Findings. Это RoBERTa-large, дообученная для задачи question answering; карточка не приводит дополнительных сведений о способе подачи контекста или примерах использования. Модель предназначена для исследовательской работы с ответами на вопросы и может служить основой для экспериментов с QA-сценариями. Модель содержит 454,1 млн параметров, принимает текст и выдаёт текстовый ответ; длина контекста — 514 токенов. В карточке не описаны поддерживаемые естественные языки и оценки качества для конкретных прикладных сценариев. Распространяется под лицензией Apache-2.0. Авторы предупреждают, что модель не оценивалась для всех способов применения и рекомендуют проверять точность, безопасность и справедливость перед развёртыванием.

OTel-LLM-32B-IT — плотная языковая модель на 31,7 млрд параметров, разработанная в рамках открытой инициативы OTel Family of Models для телекоммуникационной отрасли. Это полноразмерное дообучение allenai/OLMo-3-32B на наборе OTel-LLM; модель использует архитектуру OLMo 3 и доступна в формате PyTorch. Лицензия репозитория — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели. Модель предназначена для генерации ответов на вопросы по найденным фрагментам телекоммуникационных документов в RAG-системах. Её обучали на примерах, основанных на телеком-стандартах и материалах GSMA, IETF, научных публикациях и других профильных источниках. Контекстное окно составляет 65 536 токенов, язык модели — английский. В описанной оценке корректность ответов с предоставленным контекстом составила 71,3% против 66,8% у базовой модели на отложенной части OTel-LLM. Модель не оптимизирована для ответов на телеком-вопросы без предоставленного контекста. Качество зависит от поиска, ранжирования, контекста и промпта; результаты внутренней оценки не заменяют проверку на независимых наборах и по отдельным подтемам. Перед эксплуатационным, клиентским, нормативным или сетевым применением ответы следует проверять.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом дистилляции с учителем Qwen3-32B для сценария SearchQA. Обучение использовало набор AgentGym-RL SearchQA и формат диалога ReAct: модель должна работать с вопросами в несколько ходов, взаимодействуя с поисковым агентом. Опубликован экспорт чекпойнта на шаге обучения 200; автор указывает, что модель не оценивалась. Модель содержит 1,7 млрд параметров, построена на архитектуре Qwen3ForCausalLM и использует библиотеку Transformers. Метаданные указывают контекст до 40 960 токенов. Она принимает текст и генерирует текст; основное назначение — экспериментальные ответы на вопросы с опорой на поиск. Базовая модель — Qwen/Qwen3-1.7B. Условия лицензии в предоставленных данных не приведены.

SZL-Khipu-1.5B-GGUF — набор GGUF-квантизаций модели SZL-Khipu-1.5B, разработанной SZL Holdings. Базой служит Qwen2.5-1.5B-Instruct, дообученный с использованием QLoRA для управляемой и основанной только на подтверждённых данных навигации по SZL receipt lake. Модель предназначена для сценариев governed agent и локального запуска через llama.cpp, Ollama или LM Studio; в README её статус обозначен как proposal-only. Модель содержит 1,5 млрд параметров и ориентирована на генерацию текста. Доступны варианты с 4-, 5-, 8-битной и F16-квантизацией; вариант Q4_K_M занимает около 0,99 ГБ и рассчитан на работу только на CPU, при этом GPU может использоваться опционально. Язык указан как английский. Сведения о размере контекста и мультимодальных возможностях не приведены. К сильным сторонам относятся компактность, возможность локального запуска на ноутбуке и несколько вариантов компромисса между размером и качеством. Ограничения связаны с тем, что это производный квантизованный артефакт: его численные характеристики могут отличаться от BF16-модели, а подписанный хеш не покрывает GGUF-файлы, поэтому GGUF нельзя считать подписанным исходным чекпойнтом. В базовом репозитории заявлены подписанные квитанции обучения и оценки, но подпись владельца не является независимой оценкой. Лицензия — Apache-2.0.

ATOMIS — большая языковая модель, разработанная Корейским институтом ядерной безопасности (KINS) для работы с текстами в ядерной отрасли. Она дообучена на основе google/gemma-2-27b: авторы расширили базовую модель методом passthrough, продолжили предобучение на специализированных материалах, затем применили supervised fine-tuning и direct preference optimization. В репозитории указаны архитектура Gemma 2, 33,3 млрд параметров и контекст до 32 768 токенов. Модель рассчитана прежде всего на понимание и генерацию корейского текста, ответы на вопросы по ядерной тематике и работу в сценариях RAG, где ответ строится по документам. В карточке приведены оценки на корейском языковом бенчмарке LogicKor, ядерном NuclearQA и RAG-бенчмарке RAGEval; заявленные результаты относятся к описанным авторами условиям оценки и не гарантируют точность в иных сценариях. Модель доступна на условиях лицензии Gemma.

Адаптер LoRA для модели Llama 2 7B, разработанный Saja Nakhleh для ответов на вопросы на арабском языке. Он дообучен на наборах sajaw/Arasquad3_llama2_version2 и sajaw/GQA_llama2_version; контекст, вопрос и ответ объединялись с инструкциями в одну запись. Для запуска адаптеру нужна базовая модель Llama 2 7B и совместимый загрузчик LoRA. В README приведены результаты проверки на 250 примерах AraSquad: F1 0,6818, точность 0,6564 и полнота 0,7226. Модель предназначена для вопросов и ответов по арабским текстам, включая сценарии, похожие на используемые наборы данных. Это экспериментальная разработка; приведённые метрики относятся к ограниченной выборке и не гарантируют качество на других данных. Репозиторий содержит адаптер, а для доступа к базовым весам Llama 2 требуется принять условия Meta. Лицензия репозитория — Apache-2.0.

OTel-LLM-E4B-IT — языковая модель для телекоммуникационной отрасли из семейства OTel, созданного в рамках открытой инициативы Open Telco AI. Это полнопараметрическая дообученная версия google/gemma-4-E4B-it с 4,5 млрд параметров; в репозитории указаны веса PyTorch. Обучение на наборе OTel-LLM использовало отобранные примеры по телекоммуникациям: стандартам 3GPP и IETF, публикациям и материалам GSMA. Модель предназначена для генерации ответов по найденному контексту в RAG-системах: ей передают извлечённые телекоммуникационные документы и вопрос, а она формулирует ответ с опорой на контекст. В приведённой оценке на отложенной части OTel-LLM правильность ответов по оценке LLM-судьи составила 91,7% против 82,4% у базовой модели; эти результаты относятся к заданному контексту и не подтверждают качество на независимых внешних тестах. Модель рассчитана на английский язык и преимущественно на текстовые сценарии. Она не оптимизирована для ответов без предоставленного контекста; качество зависит от поиска, ранжирования и формулировки запроса. Телекоммуникационные ответы следует проверять перед эксплуатационным, клиентским, регуляторным или конфигурационным применением. Лицензия репозитория — Apache-2.0; также требуется учитывать условия лицензии базовой модели.

Qwen2.5-7B Legal ID — SFT — это дообученная модель Haikal1623 для ответов на вопросы о трудовом законодательстве Индонезии на бахаса-индонезия. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и дообучена методом SFT с LoRA; архитектура — плотная Qwen2, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст; репозиторий использует Transformers и формат safetensors. Модель предназначена для черновых ответов на вопросы о нормах трудового права Индонезии и может использоваться в системе с поиском по текстам действующих нормативных актов. Она отвечает на бахаса-индонезия; качество работы на других языках не проверено. Лицензия — Apache-2.0. Обучение охватывало ограниченный набор материалов по индонезийскому трудовому праву, поэтому модель может не знать нормы вне этого набора и поправки, принятые после обучения. Формальной оценки юридической точности не проводилось: ответы могут уверенно содержать ошибки и требуют сверки с первоисточниками. Модель не предназначена для принятия решений о найме и условиях труда, разрешения споров или замены квалифицированного индонезийского юриста.

Bible AI Assistant v3.2 — разговорная модель Ttimms для ответов на вопросы о Библии в составе RAG-системы. Она дообучена методом LoRA на базе Qwen/Qwen3.5-4B; архитектура — плотная причинно-языковая модель Qwen3.5 с гибридными слоями Gated-DeltaNet и attention. В метаданных указан размер 3,4 млрд параметров и контекст 262 144 токена; обучение этого чекпойнта проводилось на последовательностях длиной 1280 токенов. Модель предназначена для поиска стихов, изучения библейских персонажей, контекста, тем и перекрёстных ссылок. Для надёжных ответов ей нужны найденные ретривером фрагменты Библии; без них она опирается на параметрическую память. Разработчик сообщает о 80,3% точного воспроизведения стихов, 98,9% ответов с цитатами и 1,9% галлюцинаций на собственной оценке. Модель рассчитана только на английский язык и ориентируется на протестантский канон в англоязычных переводах, с уклоном источников в евангелическую и реформатскую традиции. Лицензия — Apache-2.0. Разработчик не рекомендует использовать модель без проверки цитат, для авторитетных богословских решений, пастырского консультирования или медицинских, юридических и финансовых советов, а также для неконтролируемого масштабного развёртывания.

KSTU_T-lite-2.1 — диалоговая языковая модель, дообученная автором Xalk07 на T-lite-it-2.1 от Т-Банка. Она предназначена для ответов на вопросы и поиска информации об университетском комплексе КГТУ в России, включая КГТУ, БГАРФ, КМРК и СПбМРК. Модель использует архитектуру Qwen3 с плотной сетью, содержит 7,6 млрд параметров и принимает текст для генерации текстовых ответов. Контекст — до 40 960 токенов. Карточка указывает русский и английский языки; обучение проходило в два этапа: дополнение предложений и настройка на инструкции. Модель ориентирована на сведения о событиях до второй половины 2025 года. Для более точных ответов автор рекомендует применять RAG и/или вызов инструментов. В приведённом сравнении ROUGE модели ниже, чем у ассистента Донецкого государственного университета на LLaMA-3.1-8B; результаты не следует считать гарантией точности ответов. Лицензия — Apache-2.0.

jonam-ai разработала legal-slm-125m-raft — небольшую плотную авторегрессионную модель семейства Llama с 125,8 млн параметров. Это продолженное полное дообучение jonam-ai/legal-slm-125m-sft методом RAFT на примерах с документом-источником и отвлекающими документами. Модель предназначена для ответов на вопросы по предоставленному контексту: она может приводить подтверждающий фрагмент в маркерах ##begin_quote## и ##end_quote##. Контекст — до 1 024 токенов; заявлена поддержка только английского языка. Модель рассчитана на образовательные демонстрации ответов с опорой на документы в правовой и финансовой тематике. Она обучена отвечать, когда нужный источник присутствует, но не умеет надёжно воздерживаться от ответа: при отсутствии факта в контексте может уверенно его выдумать. README предостерегает от использования для юридических или финансовых советов. Лицензия — Apache-2.0.

Модель разработана Nathan Gelfand и Darya Shlyk при финансировании Larry Hunter. Это дообученный BioMedBERT с линейной классификационной головой: двоичный классификатор определяет, выражает ли предложение пробел в знаниях или незнание по заданной теме. Модель предназначена для анализа биомедицинских статей и поиска нерешённых вопросов и исследовательских направлений. Используется архитектура BERT для классификации последовательностей; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель рассчитана на английский язык и распространяется по лицензии MIT. Классификатор обучен на 937 вручную размеченных предложениях из публикаций PubMed о моногенных эпилепсиях. При обучении были заморожены большинство слоёв базовой модели, чтобы снизить переобучение на небольшом наборе данных. Поэтому качество может быть выше на формулировках из этой области, а результаты зависят от использованных правил разметки; перед применением к другим темам модель следует оценить на соответствующих данных.

Loom Spark 3 — небольшая языковая модель от Textile Labs для диалога и работы с поисковым инструментом. Она обучена с нуля на случайно инициализированных весах, а не дообучена от чужого чекпойнта. Архитектура — плотная LlamaForCausalLM; модель содержит 12,2 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для коротких многоходовых диалогов и ответов на фактические вопросы при подключении поискового инструмента. Она формирует короткий поисковый запрос по теме вопроса; внешний harness выполняет поиск, извлекает предложение из результата и передаёт его модели для ответа. В описанных разработчиком тестах Spark 3 лучше предыдущей версии формировал запросы и сохранял тему беседы, однако на тесте из 20 вопросов правильно ответил на 7, а при отключённых инструментах часто выдумывает факты. Поддерживается английский язык. Модель распространяется по лицензии MIT. Доступны веса Safetensors и GGUF F16; карточка также описывает запуск через Transformers и Ollama. Для фактических ответов следует подключать поиск и проверять извлечённый текст: успешный поиск не гарантирует, что модель правильно поняла результат.

Industrial-Instruction Qwen3-4B — языковая модель Parssky, полученная полным дообучением Qwen/Qwen3-4B-Instruct-2507 на данных о промышленном оборудовании Panasonic, созданных с помощью Claude Opus 4.6. Модель предназначена для ответов на технические вопросы по документации и для экспериментов с интеграцией свидетельств в системах RAG. Она поддерживает генерацию текста и диалоговый режим; размер — 3,7 млрд параметров, архитектура — плотная Qwen3, формат весов — Safetensors, длина контекста — до 262 144 токенов. В метаданных указан английский язык. На тесте из 1 000 вопросов по Panasonic вариант с RAG показал F1 72,66% и точность полного совпадения набора ответов 56,40%; показатель MMLU почти не изменился относительно базовой модели. Модель особенно подходит для вопросов, сформулированных близко к обучающим примерам: на перефразированных вопросах FailureSensorIQ точность составила 0%. Данные охватывают документацию одного производителя, поэтому перенос на другие марки и терминологию ограничен. Лицензия указана как other, конкретные условия использования в карточке не раскрыты.

toyin88/u2t01-bert-qa — модель на основе BERT, разработанная в рамках проекта U2T01 по адаптации BERT для задач NLP. Она дообучена на SQuAD v1.1 для извлекающего ответа на вопросы: по вопросу и контексту модель находит начальную и конечную позиции фрагмента с ответом. Использованы архитектура BertForQuestionAnswering, библиотека Transformers и формат safetensors; размер модели — 136,7 млн параметров, длина контекста — до 512 токенов. Модель предназначена для учебных и исследовательских сравнений методов адаптации и как отправная точка для смежных задач на английском языке. При дообучении обновлялись слои энкодера и голова ответа, а матрица эмбеддингов оставалась замороженной. На тестовой выборке указаны F1 47,74 и exact match 37,30; обучение проводилось на подвыборке SQuAD, поэтому эти результаты ниже опубликованных показателей на полном наборе. Модель работает только с английскими текстами и контекстами Википедии, всегда возвращает фрагмент и не умеет сообщать, что ответа нет. Результаты зависят от случайного seed, а унаследованные от базового BERT ассоциации не устранялись. Лицензия — Apache-2.0.

flax-community/gpt2-persian-question-answering — экспериментальная модель сообщества Flax/JAX, созданная Mehrdad Farahani в рамках Flax/Jax Community Week при поддержке Hugging Face и Google. Это плотная авторегрессионная модель семейства GPT-2, обученная для ответов на вопросы по персидским текстам. Модель предназначена для извлечения ответов из контекста и вопросов по материалам персидской Википедии. В качестве обучающих данных использован набор PersianQA для понимания прочитанного. Модель принимает текст и генерирует текстовый ответ; максимальная длина контекста составляет 1024 токена. В карточке не указана лицензия, поэтому условия повторного использования по имеющимся данным определить нельзя. Результаты могут быть ограничены тематикой и составом PersianQA и персидской Википедии; качество на других языках и за пределами сценария ответов по контексту не подтверждено.

frontal-labs разработала graph-reasoner-1 — специализированную модель рассуждений по типизированным графам примерно со 99 млн параметров. Она принимает граф и структурированный запрос и выдаёт типизированный ответ с путями доказательств, проверенными детерминированным верификатором. Модель не принимает и не генерирует естественный язык. Архитектура объединяет relation-aware GraphSAGE, трансформер рассуждений с учётом запроса и Path-Aware Transformer для анализа типизированных путей. Модель предназначена прежде всего для поиска цепочки отношений, отвечающей намерению запроса, когда путь заранее не задан, а также умеет воздерживаться от ответа при отсутствии подтверждающих данных. В тестах на графах FB15k-237 и WN18RR показаны результаты MRR 0,175 и 0,596 соответственно для двухшаговых запросов. Модель обучена с нуля на синтетических типизированных графах в течение 2500 шагов; также проверялась на нескольких реальных графовых наборах. Она не является языковой моделью и не работает с прозой. На незнакомых онтологиях обобщение слабое, а механизм воздержания на реальных графах может блокировать все ответы; для нового домена рекомендуется обучение на собственной онтологии и настройка порога воздержания. Производительность невысока, масштабирование выше примерно 5000 узлов не проверено. Лицензия — Apache-2.0.

Muslim-6B-PRO — модель диалоговой генерации текста и маршрутизации вызовов инструментов, разработанная NightPrince как поведенчески дообученное продолжение Applied-Innovation-Center/Karnak-6B-v1.0. Она предназначена для работы в качестве рассуждающего ядра голосового исламского ассистента. Модель построена на плотной архитектуре Qwen3 с 5,4 млрд параметров и контекстом до 262 144 токенов; в репозитории представлены веса safetensors. Карточка описывает дообучение на примерах маршрутизации инструментов, соблюдения персоны и области применения, а также калиброванных ответов на общие вопросы об исламе. Модель направляет запросы к инструментам поиска по Корану, хадисам, тафсирам и фетвам, а также к воспроизведению аудио. Она рассчитана на интеграцию со слоем вызова инструментов и системным промптом, задающим персону и рамки ответов. Карточка сообщает о поддержке арабского и английского языков; основной упор сделан на арабоязычные исламские сценарии. Лицензия — Apache-2.0. Модель не предназначена для самостоятельного точного цитирования священных текстов или выдачи фетв: для этого требуется слой поиска по источникам. Результаты поведенческой оценки ещё не опубликованы, а общие способности за пределами исламской тематики отдельно не проверялись.

Модель разработана Lax (LakshmiNarayanan Sugumar) и представляет собой BERT-base, дообученный для бинарной классификации новостных статей как настоящих или фальшивых. Она принимает текст заголовка и статьи на английском языке; архитектура BertForSequenceClassification содержит 136,7 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache 2.0. Модель обучена на очищенной от ряда поверхностных подсказок версии WELFake: удалялись упоминания Reuters, фразы в верхнем регистре нормализовались, а восклицательные знаки ограничивались. Это улучшило распознавание некоторых настоящих статей вне обучающего распределения, сохранив высокие результаты на отложенной выборке WELFake. Модель предназначена для учебных и демонстрационных сценариев, например предварительной оценки новостного материала. Качество на обучающем распределении не гарантирует обобщения на другие источники и стили. В README отмечены слабые результаты на сатире и сухо написанных мистификациях; модель не следует использовать для производственной модерации или проверки фактов без участия человека.