I.2Синтез, понимание и проверка знаний

Starstreak-7B-β — языковая чат-модель серии Starstreak, разработанная на основе HuggingFaceH4/zephyr-7b-beta и дообученная методом QLoRA. Модель построена на плотной архитектуре Mistral и содержит около 7,1 млрд параметров; для генерации текста доступен контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста на английском, индонезийском и ряде языков Индонезии и региона: среди них ачехский, яванский, сунданский, малайский и тетум. При дообучении использовались graelo/wikipedia и uonlp/CulturaX. Это позволяет применять её для ответов и генерации текста на поддерживаемых языках, однако карточка не описывает специализированные сценарии или сравнительные оценки качества. Модель опубликована в формате Safetensors под лицензией CC0 1.0. Среди ограничений карточка отмечает англоязычную основу и возможные культурные и контекстные предубеждения.

Stork-7B-slerp — чат-модель для генерации текста, созданная слиянием моделей vigostral-7b-chat и French-Alpaca-7B-Instruct-beta методом SLERP с помощью LazyMergekit. Она предназначена для диалоговых ответов и выполнения инструкций на французском языке. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель объединяет французскую чат-модель на базе Mistral-7B и франкоязычную инструктивную модель. Лицензия в предоставленных данных не указана.

Table LLaVA 7B — мультимодальный чат-бот для понимания изображений таблиц и выполнения запросов о содержащихся в них данных. Модель разработана для исследования мультимодального понимания таблиц; она следует архитектуре и конвейеру обучения LLaVA-v1.5 и использует визуальный кодировщик CLIP-ViT-L с разрешением 336×336, языковую модель Vicuna-v1.5-7B и двухслойный MLP-соединитель. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов. Модель принимает изображение таблицы и текстовый запрос, а отвечает текстом. Она предназначена для вопросов и ответов по таблицам, описания ячеек и понимания структуры таблиц. Обучение включало данные MMTab и исходные наборы LLaVA-1.5; заявлены также результаты на некоторых нетабличных задачах, таких как TextVQA. Код и веса опубликованы в репозитории, однако лицензия в предоставленных данных не указана. Модель рассчитана на исследователей и энтузиастов компьютерного зрения и обработки естественного языка. Она обрабатывает одно изображение таблицы за раз; разрешение 336×336 может ограничивать точность разбора мелких деталей.

TRM-textV3.6 — языковая модель семейства TRM, разработанная summerMC. Это финальная оценочная версия, дообученная на базе summerMC/TRM-textv3.5: автор сообщает о продолжении предобучения на 250 млн токенов и полном SFT на наборе databricks-dolly-15k-ja из 15 тысяч примеров. Модель предназначена для генерации текста и диалоговых сценариев на японском и английском языках. В карточке приведены результаты оценки после SFT на ARC-Easy, HellaSwag и PIQA: нормированная точность составляет соответственно 0,3300, 0,2638 и 0,5539. Модель распространяется в формате safetensors по лицензии Apache-2.0. Размер модели и длина контекста в доступных данных не приведены.

Oblix15/tsdae-financiero — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Модель предназначена для поиска и сравнения текстов по косинусному сходству; обучение выполнено с DenoisingAutoEncoderLoss на 36 035 парах предложений из финансового контекста на испанском языке. Модель принимает текст, использует CLS-пулинг и рассчитана на последовательности длиной до 75 токенов. Метаданные указывают 137,1 млн параметров и максимальный контекст 512 токенов; для практического использования следует учитывать более короткий лимит из карточки модели. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Pankaj Raj Deo разработал UMLS-ED-Bioformer-8L-V-1 — модель Sentence Transformer на базе BERT, дообученную для сопоставления биомедицинских терминов и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 512; сходство между ними можно оценивать косинусной мерой. Модель содержит 50,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В обучающей и оценочной выборках используются пары и тройки биомедицинских терминов, включая варианты на нескольких языках; базовая Bioformer-8L описана как англоязычная. Модель выдаёт векторы, а не готовые текстовые ответы, поэтому для поиска или классификации требуется отдельная логика сравнения либо downstream-модель. Лицензия в предоставленных данных не указана.

Модель iwillcthew/vietnamese-embedding-PROPTIT-domain-ft — Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе AITeamVN/Vietnamese_Embedding_v2. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README указаны максимальная длина последовательности 512 токенов и оценка Spearman 0,7062 на валидационном наборе для задачи семантического сходства. Метаданные каталога указывают контекст до 8194 токенов; это значение относится к базовой конфигурации, тогда как карточка модели задаёт предел 512 токенов для Sentence Transformers. Модель ориентирована на вьетнамский язык и обучена на 1457 примерах, связанных с вопросами и ответами о PROPTIT — клубе программирования. Лицензия в предоставленных данных не указана.

lhabacuc/vMiniCPM-V-4.6 — мультимодальная модель для понимания изображений и видео, основанная на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Она принимает визуальные данные вместе с текстовым запросом и формирует текстовый ответ; поддерживает диалог и интерфейс вызова инструментов. Смешанное сжатие визуальных токенов в режимах 4× и 16× позволяет выбирать между детализацией и скоростью. Модель рассчитана на эффективный запуск, в том числе на мобильных устройствах iOS, Android и HarmonyOS. Она подходит для описания изображений, анализа нескольких изображений и видеопонимания, включая распознавание текста на изображениях. В README заявлена совместимость с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также возможность дообучения через SWIFT и LLaMA-Factory. В репозитории указаны веса safetensors и лицензия Apache-2.0. Для видео README описывает зависимость декодирования от torchcodec; совместимость с некоторыми версиями CUDA может требовать настройки окружения или замены на PyAV. Заявления о производительности приведены разработчиками модели и зависят от задач и условий оценки.

WorryFree_GeneralQA_Chat_Mixtral-8x7B-v1 — чат-модель DrNicefellow, дообученная методом QLoRA на наборе Quality_WorryFree_GeneralQA_Chat_Dataset-v1 на основе mistralai/Mixtral-8x7B-Instruct-v0.1. Она предназначена для диалогов и ответов на общие вопросы, включая неформальное и деловое общение. Использует архитектуру Mixtral с разреженной экспертной моделью (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для форматирования запросов применяется шаблон Vicuna 1.1. Модель принимает текст и генерирует текстовые ответы. Карточка заявляет улучшенную связность длинных диалогов и применимость к разным темам, однако не приводит независимых оценок качества или подробных результатов тестирования. Распространяется по лицензии Apache-2.0.

WRAPresentations — англоязычная модель Sentence-Transformers от TomatenMarc для построения эмбеддингов твитов и поиска сходства между ними в задачах анализа аргументации. Она основана на BERTweet-base с архитектурой RoBERTa и дообучена контрастивным обучением на датасете TACO. Модель кодирует твиты в 768-мерные векторы, в которых отражены классы Reason, Statement, Notification и None; эти представления можно использовать для последующей классификации и группировки твитов по смыслу аргументации и содержащейся информации. Модель предназначена для анализа англоязычных сообщений Twitter. В обучении использовались твиты по пяти темам, а отдельная тема #abortion служила отложенной выборкой для оценки. В карточке указаны 162,4 млн параметров и контекст до 130 токенов. Для получения эмбеддингов используется mean pooling; при применении через Transformers требуется корректно добавить pooling к выходам модели. Лицензия — CC BY-SA 4.0.

Wukong-Mistral-7B-v0.3 — разговорная языковая модель на архитектуре Mistral, созданная RESMPDEV как дообученная версия Mistral-7B-v0.3. Она предназначена для генерации текста в диалогах и чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов; веса доступны в формате Safetensors. Модель дообучена в течение трёх эпох на подборке данных из Cognitive Computations Dolphin 2.9 и описана автором как «dealigned» чат-файнтюн. Примеры ответов в карточке не приведены, поэтому качество и конкретные поведенческие особенности по ней оценить нельзя. README указывает, что у модели нет механизмов модерации. Лицензия — Apache-2.0.

Это зеркало модели Ornith 1.0 35B abliterated, опубликованное imbutus для запуска через vLLM и загрузчиков на основе Transformers. Веса скопированы без изменений из YuYu1015/YuYu1015-Ornith-1.0-35B-abliterated; в репозитории добавлены конфигурации мультимодального препроцессора из deepreinforce-ai/Ornith-1.0-35B, чтобы включить загрузку изображений и видео. Архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; файлы весов представлены в safetensors. Модель принимает текст и изображения и предназначена для диалоговых мультимодальных запросов. Базовый контекст составляет 262144 токена, а в приведённой конфигурации запуска ограничен 131072 токенами для размещения KV-кэша на одном GPU. Лицензия — Apache-2.0. Зеркало не меняет веса, а добавляет файлы конфигурации препроцессора.

Ziya-Writing-13B-v2 是 IDEA-CCNL 开发的 языковая модель с 12,9 млрд параметров, построенная на архитектуре LLaMA 2 и дообученная следованием инструкциям для задач письма. Она генерирует китайские и английские тексты: официальные отчёты, речи, письма и рекламные или творческие материалы, а также отвечает на общие инструкции. Модель использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения разработчики использовали очищенные примеры человеческого письма, инструкции, созданные с помощью GPT-3.5 и проверенные вручную, а также данные предпочтений для выравнивания ответов. Качество письма оценивали сравнением ответов бок о бок; по данным README, в сравнении с Ziya-Writing-LLaMa-13B-v1 модель получила долю побед 72,5%. Этот результат относится к описанной авторами оценке и не гарантирует качество для каждого запроса. Модель распространяется под лицензией GPL-3.0, однако README указывает, что из-за ограничений лицензии LLaMA её нельзя использовать в коммерческих целях и следует соблюдать политику использования LLaMA. Это модель генерации текста, поэтому она не принимает изображения или аудио.

ALBERT XLarge v1 — англоязычная предварительно обученная модель семейства ALBERT, представленная разработчиками ALBERT и распространяемая Hugging Face. Она обучена на BookCorpus и английской Википедии для восстановления замаскированных слов и определения порядка соседних фрагментов текста. Модель предназначена прежде всего для задачи fill-mask и получения контекстных представлений для последующей тонкой настройки на классификацию последовательностей и токенов или ответы на вопросы. Архитектура использует 24 повторяющихся слоя Transformer с общими весами, 128-мерными эмбеддингами, скрытым размером 2048 и 16 головами внимания. README указывает 58 млн параметров, тогда как метаданные каталога — 1,7 млрд; поэтому размер модели по доступным источникам расходится. Контекст — до 512 токенов. Модель uncased: регистр букв не различается; данные для обучения были приведены к нижнему регистру и токенизированы SentencePiece. Разделение весов между слоями уменьшает объём памяти по сравнению с архитектурой с отдельными весами каждого слоя, но вычислительная стоимость остаётся сопоставимой с Transformer аналогичной глубины. Модель не предназначена для генерации связного текста; её версии 2 обучались дольше, на дополнительных данных и показывали лучшие результаты почти во всех указанных downstream-задачах. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Ananthu357/Ananthus-BAAI-for-contracts9.0 — дообученная модель Sentence Transformers на базе BAAI/bge-large-en, предназначенная для работы с текстами договоров. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство между текстами оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель подходит для семантического поиска по договорам, сравнения положений и поиска перефразировок. Также её можно применять для кластеризации и классификации текстов. Максимальная длина входной последовательности — 512 токенов. Базовая модель BAAI/bge-large-en ориентирована на английский язык; подтверждённых сведений о поддержке других языков нет. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

APAR-13B — языковая модель на архитектуре Llama, разработанная авторами метода APAR. Это плотная авторегрессионная модель примерно с 12,9 млрд параметров, дообученная инструкциями на данных общего назначения с иерархической структурой, чтобы планировать генерацию и выполнять автоматическое параллельное авторегрессионное декодирование. Модель предназначена для генерации текста с более эффективным обслуживанием запросов. По данным авторов, APAR может ускорить генерацию до 2 раз, а в сочетании со speculative decoding — до 4 раз. В сценариях высокой нагрузки метод также снижает потребление KV-кэша и вычисления внимания; заявлены рост пропускной способности на 20–70% и сокращение задержки на 20–35% относительно современных систем обслуживания. Контекст модели составляет 2048 токенов. Карточка не приводит сведений о языках обучения и лицензии.

BanglaBERT — предварительно обученный дискриминатор ELECTRA, разработанный командой CSE BUET для обработки текста на бенгальском языке. Модель содержит 137,8 млн параметров, использует цель обучения Replaced Token Detection (RTD) и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Чекпойнт предназначен прежде всего для дообучения под задачи классификации тональности, распознавания именованных сущностей, вывода на естественном языке и ответов на вопросы. Прикладные модели на его основе показывали высокие результаты на ряде бенгальских NLP-задач. Для лучших результатов текст нужно нормализовать тем же конвейером, который использовался при предобучении; после этого модельные представления можно применять в задачах классификации и разметки. Лицензия в предоставленных данных не указана.

KLUE BERT base — предварительно обученная трансформерная языковая модель семейства BERT для корейского языка, разработанная в рамках проекта Korean Language Understanding Evaluation (KLUE). Это плотная модель с архитектурой BertForMaskedLM, содержащая 137,8 млн параметров и обрабатывающая последовательности длиной до 512 токенов. Основной сценарий по метаданным — заполнение пропусков в тексте; после дообучения модель также может применяться для классификации тем, оценки семантического сходства, вывода на естественном языке и распознавания именованных сущностей. Для токенизации используется словарь из 32 тысяч единиц, построенный с морфемной сегментацией и BPE. Модель обучена на разнообразных корейских корпусах, включая новости, веб-тексты, энциклопедические материалы и диалоги, и оценивалась на задачах бенчмарка KLUE. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC-BY-SA-4.0. Качество и фактическая точность не гарантируются: модель может отражать смещения и проблемы конфиденциальности, связанные с обучающими данными. Для задач классификации, NER и других сценариев, кроме заполнения пропусков, обычно требуется соответствующая задача-ориентированная голова или дообучение.

SlavicBERT — многоязычная модель на архитектуре BERT, разработанная авторами исследования о настройке мультиязычных трансформеров для распознавания именованных сущностей. Модель обучена на русских новостях и Википедиях на болгарском, чешском, польском и русском языках; словарь субтокенов построен по этим данным. Инициализация выполнена из Multilingual BERT. Модель содержит 12 слоёв, 768 скрытых размерностей и 12 attention-голов. В README указано 180 млн параметров, метаданные Hugging Face указывают 205,1 млн; длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Это базовая модель для извлечения признаков из текста на четырёх славянских языках, которую можно адаптировать для задач обработки языка. В карточке не указана лицензия.

Legal BERTimbau — модель Sentence Transformers на базе BERT large, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024, пригодные для поиска похожих текстов, кластеризации и оценки семантического сходства. Модель основана на юридической версии BERTimbau large и обучалась на португальских юридических текстах, а затем проходила многоязычную дистилляцию и дообучение на наборах ASSIN, ASSIN2 и STS-B Multi-MT для португальского. Архитектура BERT имеет 433,2 млн параметров; максимальная длина контекста — 512 токенов. Лицензия — MIT. Модель предназначена прежде всего для семантического поиска по юридическим документам на португальском языке. Она также подходит для кластеризации и сравнения предложений. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты.

Chuangmail/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на 6 300 парах вопросов и ответов о компаниях и финансовой отчётности на базе BAAI/bge-base-en-v1.5. Она использует BERT и преобразует текстовые фрагменты в плотные эмбеддинги для семантического поиска, сравнения предложений и извлечения информации из финансовых документов. Модель выдаёт векторы размерностью до 768 и поддерживает Matryoshka-размеры 512, 256, 128 и 64; для сравнения применяется косинусное сходство. Максимальная длина последовательности — 512 токенов. Лицензия — Apache-2.0. В карточке приведены результаты оценки поиска на нескольких размерностях, но они относятся к указанным наборам данных и не гарантируют аналогичного качества на других корпусах.

Berk2003 tarafından BAAI/bge-m3 temelinde ince ayarlanmış SentenceTransformer modelidir. XLM-RoBERTa mimarisini, CLS pooling ve нормализацию выходных векторов kullanarak преобразует тексты в плотные эмбеддинги размерности 1024; сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и сопоставления предложений и абзацев, в частности для поиска по юридическим текстам: примеры обучающих данных относятся к турецкому праву и связывают вопросы с фрагментами ответов. В README указана максимальная длина последовательности 512 токенов. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; практическая длина для этой конфигурации ограничена значением из README. Модель принимает текст и выдаёт векторы, а не готовые юридические заключения. Лицензия в предоставленных данных не указана.

BioLinkBERT-base — биомедицинская языковая модель, разработанная авторами работы LinkBERT: Pretraining Language Models with Document Links. Это энкодер на архитектуре BERT, предварительно обученный на аннотациях PubMed с использованием связей цитирования между документами. Модель содержит 135,4 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для дообучения на задачах классификации текстов и токенов, ответов на вопросы, а также для получения векторных представлений текста. Учет междокументных связей полезен в биомедицинских сценариях, где ответ требует сопоставления сведений из разных источников. В карточке указаны высокие результаты на биомедицинских тестах BLURB, PubMedQA и BioASQ. Это базовый энкодер, а не готовая система для конкретной задачи: для прикладной классификации или ответов на вопросы обычно требуется дообучение. Контекст ограничен 512 токенами; сведения о клинической валидации и пригодности для принятия медицинских решений в карточке не приводятся.

FremyCompany/BioLORD-2023-M-Dutch-InContext-v1 — модель эмбеддингов на базе XLM-RoBERTa, разработанная Франсуа Реми, Крисом Демуйнком и Томасом Дестермером. Она преобразует фразы и предложения в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель дообучена для биомедицинской области и особенно подходит для клинических записей и медицинских документов. Модель кодирует биомедицинские упоминания на нидерландском и английском языках, учитывая контекст упоминания. Для этого используется шаблон «упоминание [SEP] (context: пример текста с упоминанием и окружающим текстом)». Поддерживается также кодирование упоминаний без контекста, особенно на английском. В отличие от других моделей серии, для представления упоминания используется токен CLS. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов. Лицензия указана как other; конкретные условия в доступных данных не описаны. Модель сохраняет способность строить эмбеддинги для текстов общего назначения, но ориентирована прежде всего на биомедицинские тексты.

Это дообученная модель генерации текста на архитектуре Llama, созданная на основе marin-community/marin-8b-base. Веса содержат 7,5 млрд параметров, представлены в формате safetensors; заявленный контекст — 4096 токенов. Дообучение проведено на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b8000_s0, однако карточка не описывает его состав и результаты обучения. Модель предназначена для генерации и продолжения текста в Transformers; метаданные также отмечают возможность чата. Базовая Marin 8B Base ориентирована на английский язык, но отдельные языковые возможности этой производной модели подробно не указаны. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

NTQAI/chatntq-ja-7b-v1.0 — японская языковая модель NTQ AI для генерации текста и выполнения инструкций. Это декодерная модель на 7,1 млрд параметров, дообученная на наборах данных для следования инструкциям и построенная на базе Japanese Stable LM Base Gamma 7B. Архитектура — плотная MistralForCausalLM; модель распространяется в формате safetensors и рассчитана на использование с Transformers версии 4.34.0 или новее. Модель предназначена для японских диалоговых сценариев, ответов на запросы и генерации текста по инструкциям. В README приведён результат 6,65 в японском варианте MT-Bench; это оценка из карточки, а не гарантия качества на любых задачах. Метаданные указывают поддержку японского и английского языков, а длина контекста составляет 4096 токенов. Лицензия — Apache License 2.0.

Chat-UniVi — мультимодальная модель для понимания изображений и видео, описанная авторами в работе «Unified Visual Representation Empowers Large Language Models with Image and Video Understanding». Она использует архитектуру ChatUniViLlamaForCausalLM с 6,6 млрд параметров и принимает текст вместе с визуальными данными. Для представления изображений и видео модель применяет динамические визуальные токены, которые передают пространственные детали изображений и временные связи в видео. Модель обучена совместно на смешанном наборе изображений и видео, поэтому подходит для задач с обоими типами входных данных. Chat-UniVi предназначена для вопросов и ответов и других текстовых задач на основе визуального содержания. Контекст составляет 4096 токенов; формат весов — PyTorch. Лицензия указана как llama2. Карточка сообщает о высокой результативности в экспериментах, но не приводит численных оценок, поддерживаемых языков или подробностей ограничений.

AbhiCommits/claimwise-qwen35-4b — дообученная AbhiCommits мультимодальная модель на архитектуре Qwen3.5 с 4 млрд параметров, созданная на базе unsloth/Qwen3.5-4B. Она предназначена для диалоговой работы с текстом и изображениями; в метаданных также отмечена поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель может использоваться для ответов на вопросы по изображениям и текстовому контексту, а также для диалоговых сценариев с инструментами. Карточка не описывает специализацию claimwise, обучающие данные, результаты оценивания или конкретные языковые возможности этой версии. Лицензия — Apache-2.0.

Danny-Odin — объединённая языковая модель Edens-Gate на архитектуре Gemma 2, созданная с помощью mergekit методом task arithmetic. В качестве базовой модели использована Edens-Gate/Danny-Test, а Delta-Vector/Odin-9B добавлена в слияние с весом 0,1. Модель содержит 7,1 млрд параметров и работает с контекстом до 8192 токенов. Модель предназначена для генерации текста и чат-диалогов. Её можно применять для творческого письма и ролевых бесед — такие сценарии указаны для базовой модели в метаданных. Репозиторий использует формат safetensors и библиотеку Transformers. Языки и лицензия в предоставленных данных не обозначены.

Модель trollek/danube2-1.8b-Tess-v1.5 — дообученная автором trollek языковая модель для генерации текста и диалогов. Она основана на h2oai/h2o-danube2-1.8b-base и обучалась с BAdam на датасете migtissera/Tess-v1.5 с помощью Llama-Factory; для общения используется шаблон ChatML. Модель имеет плотную архитектуру семейства Mistral и около 1,7 млрд параметров. Она принимает текстовые сообщения в формате диалога и генерирует текст; заявленная длина контекста — 8192 токена. Карточка ориентирована на англоязычное использование. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. Небольшой размер облегчает запуск по сравнению с крупными языковыми моделями, но качество и надёжность ответов могут быть ограничены масштабом модели и обучающими данными. Лицензия — Apache-2.0.