I.2Синтез, понимание и проверка знаний

text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

YAYI-UIE — плотная авторегрессионная языковая модель семейства YAYI UIE, разработанная командой YAYI и опубликованная wenge-research. Модель содержит 13,3 млрд параметров и дообучена инструктивно на миллионах искусственно созданных высококачественных примеров для унифицированного извлечения информации: распознавания именованных сущностей, извлечения отношений и извлечения событий. Модель предназначена для преобразования текста в структурированные результаты, например JSON с сущностями, отношениями или аргументами событий. В карточке описаны сценарии из общих и специализированных областей, включая финансы, биологию, медицину, бизнес, транспорт, промышленность и науку. README приводит примеры оценки на китайских и английских наборах данных; основной акцент модели — китайский язык. Указаны ограничения: извлечённые сведения могут содержать фактические ошибки, модель слабо распознаёт вредоносные инструкции, а качество на длинных текстах уровня абзаца требует улучшения. Лицензия в метаданных и карточке — Apache-2.0, однако README отдельно требует использовать модель и производные только в исследовательских целях и запрещает коммерческое и вредоносное применение.

Yi-Agent-6B — двуязычная текстовая модель с генеративной архитектурой Llama, разработанная hiyouga и дообученная с помощью LLaMA-Factory. Модель содержит 5,8 млрд параметров и поддерживает контекст до 4096 токенов. Для обучения использовались наборы Alpaca, OpenAssistant и Glaive Function Calling. Модель предназначена для следования инструкциям и вызова функций в диалоговых сценариях на английском и китайском языках. Её можно запускать через REST API средствами LLaMA-Factory. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

ADELIE-DPO-1.5B — дообученная языковая модель, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li для извлечения информации из текста. Она основана на Qwen2.5-1.5B и дополнительно выровнена методом Direct Preference Optimization (DPO) после инструкционного дообучения на корпусе IEInstruct. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для закрытого и открытого извлечения информации, а также извлечения по запросу: распознавания сущностей, извлечения отношений и событий. В карточке сообщается о результатах на отложенных наборах данных для извлечения информации и отсутствии заметного ухудшения общих возможностей. Основной язык — английский. Лицензия указана как LLaMA 2 License для базовой модели.

Модель andreasmartin/apertus-v1.5-swiss-embed-4.9b-bidir-langmoe — экспериментальная модель эмбеддингов Sentence Transformers от автора репозитория, созданная адаптацией двунаправленной модели Apertus. В ней финальная плотная проекция заменена разрежанным слоем SparseMixtureOfExperts с семью экспертами и маршрутизацией Top-2; языковые метки экспертов описывают эксперимент, но сам слой не содержит языковой логики. Всего модель имеет около 4,93 млрд параметров, а в Sentence Transformers использует модули Transformer, Pooling, новую проекцию и Normalize. Модель предназначена для построения эмбеддингов предложений, семантического и межъязыкового поиска, особенно для немецкого, английского, французского, итальянского и швейцарских языковых вариантов. Она обучена на 31 483 триплетах из Wikipedia и швейцарских наборов данных; README приводит внутренние диагностические результаты, а не внешние бенчмарки. Базовые представления замораживались и кэшировались при обучении, а голова MoE обучалась на последовательностях до 512 токенов. Несмотря на контекст базовой модели в 262 144 токена, качество MoE за пределами обучавшего контекста отдельно не проверено; README также указывает на необходимость trust_remote_code=True до регистрации модуля в Sentence Transformers. Лицензия — Apache-2.0.

Audio Flamingo Next-Instruct — инструкцияно настроенная аудиоязыковая модель NVIDIA для вопросов и ответов, диалога и понимания речи, окружающих звуков и музыки. Модель принимает аудио и текстовые инструкции, а ответы формирует текстом; поддерживает распознавание речи, перевод речи, понимание нескольких говорящих, описание аудио и временную привязку к событиям. Основной язык в карточке — английский, заявлена также многоязычная поддержка распознавания речи. Архитектура сочетает аудиоэнкодер на основе AF-Whisper, двухслойный MLP-адаптер и текстовую основу семейства Qwen2.5; для временной привязки используются Rotary Time Embeddings. Аудио обрабатывается окнами по 30 секунд, а процессор настроен на записи длительностью до 30 минут. Модель рассчитана на явные инструкции с указанием задачи и желаемого формата ответа. Ограничения включают неравномерное покрытие языков и акустических условий, слабое представление редких звуков и специализированных областей, а также трудности рассуждения по длинным записям при разреженных свидетельствах. Лицензия обозначена как other; README разрешает только некоммерческое исследовательское использование.

A.X 4.0 Light — компактная языковая модель компании SK Telecom, выпущенная в июле 2025 года. Она основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. В репозитории указана архитектура Qwen2 и размер около 6,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст модели — до 16 384 токенов. Модель предназначена для понимания корейского языка и практических задач в деловой среде: диалогов, ответов на вопросы и работы с длинными документами. Разработчик сообщает о высоких результатах на корейских тестах KMMLU и CLIcK и об эффективном использовании токенов для корейского текста. README также описывает вариант семейства на 72 млрд параметров; этот репозиторий содержит облегчённую версию. Модель распространяется по лицензии Apache-2.0.

Barcenas 9B — разговорная языковая модель на архитектуре Llama, разработанная Danielbrdz и дообученная на базе 01-ai/Yi-1.5-9B-Chat с использованием набора yahma/alpaca-cleaned. Модель содержит 8,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена для генерации текста и диалоговых сценариев: виртуальных помощников, создания материалов, анализа тональности и перевода. Карточка описывает её как универсальную модель для связных ответов, однако не приводит результатов оценок качества для перечисленных задач. Поддерживаемый по карточке язык — английский. Модель распространяется под лицензией Apache-2.0. Как и другие генеративные языковые модели, она может выдавать неточные или неподтверждённые ответы; особенно важные результаты следует проверять.

Это англоязычная модель BERT large от Google, дообученная командой Google на наборе SQuAD для ответов на вопросы по заданному контексту. Она возвращает фрагмент контекста в качестве ответа и подходит для систем поиска ответов по документам и текстам. Предварительное обучение использовало masked language modeling, предсказание следующего предложения и Whole Word Masking, при котором маскируются все части одного слова одновременно. Архитектура — 24-слойный BERT с размерностью скрытого представления 1024 и 16 головами внимания. В README указано 336 млн параметров, а метаданные каталога сообщают 433,9 млн; модель принимает последовательности длиной до 512 токенов. Она обучена для английского языка без различения регистра, на BookCorpus и англоязычной Wikipedia, а затем дообучена на SQuAD. Лицензия — Apache-2.0. Модель предназначена для извлечения ответов из предоставленного текста; она не генерирует свободный ответ и может ошибаться, если нужных сведений нет в контексте или формулировка вопроса отличается от примеров обучения. Для длинных документов контекст нужно разбивать на фрагменты, укладывающиеся в лимит модели.

ChengyouXin/cacheverifier-searchqueries — текстовый Cross Encoder на базе BERT, обученный с библиотекой Sentence Transformers для оценки пар «запрос—текст». Модель выдаёт один числовой балл для пары и подходит для переранжирования результатов семантического поиска и оценки соответствия текста запросу. Модель содержит 25,9 млн параметров, принимает текст и ограничивает длину последовательности 512 токенами. В README указано обучение на 60 398 примерах с запросами, ответами и метками, с функцией потерь BinaryCrossEntropyLoss. Язык примеров в карточке — английский; подтверждения поддержки других языков нет. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель небольшая, но оценки зависят от обучающих данных и могут быть ненадёжны для запросов и документов вне их распределения.

CamemBERTa-L2 — компактная обрезанная версия предварительно обученной модели CamemBERTa, из которой удалены верхние слои энкодера. Модель разработана автором репозитория antoinelouis и содержит 43,5 млн параметров; её архитектура относится к DeBERTa-v2, длина контекста — 512 токенов. Модель предназначена для получения признаковых представлений текста и последующего дообучения под задачи, где решение зависит от всего предложения: классификацию текста, извлечение ответов на вопросы и семантический поиск. Также её можно применять для masked language modeling. Для генерации текста README рекомендует авторегрессионные модели. Модель ориентирована на французский язык. Удаление верхних слоёв уменьшает размер по сравнению с базовой CamemBERTa, но README не приводит отдельной оценки качества или скорости именно этой версии. Лицензия MIT.

CamemBERTa-L4 — компактная обрезанная версия предварительно обученного чекпойнта CamemBERTa, представленная Antoine Louis. Веса получены удалением верхних слоёв исходной модели; в репозитории указана архитектура DeBERTa-v2 и 62,3 млн параметров. Модель принимает текст, а контекст ограничен 512 токенами. Чекпойнт предназначен прежде всего для дообучения под задачи, где решение опирается на целое предложение: классификацию текста, извлечение ответа на вопрос и семантический поиск. Его также можно использовать для извлечения признаков и masked language modeling; для генерации текста автор рекомендует авторегрессионные модели. Модель рассчитана на французский язык. Репозиторий распространяется по лицензии MIT.

TroyDoesAI/Codestral-RAG-19B-Pruned — сокращённая по числу слоёв версия Codestral, опубликованная TroyDoesAI. Это плотная авторегрессионная модель семейства Mistral с 18,9 млрд параметров, предназначенная для генерации текста; в названии и описании акцент сделан на использовании в сценариях RAG и экономии памяти при размещении модели, в том числе с выгрузкой части вычислений в системную память. Для работы заявлено контекстное окно 32 768 токенов, а веса опубликованы в формате safetensors. Автор сообщает, что удалил четыре слоя из исходной модели на 22,2 млрд параметров и утверждает, что это не приводит к заметной потере качества. Независимые результаты оценки в карточке не приведены. Модель может подойти для локальных экспериментов с генерацией текста и ответами на запросы с контекстом, однако размер почти в 19 млрд параметров всё ещё требует значительных ресурсов. Лицензия в предоставленных данных не указана.

Fetis789/deberta_qqp — дообученная модель Microsoft DeBERTa-v3-base для классификации текстовых последовательностей. По названию репозитория и типу классификационной архитектуры она предназначена для определения, задают ли две фразы один и тот же вопрос, то есть для задачи Quora Question Pairs (QQP). Модель содержит 211,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В README приведены результаты оценки: accuracy 0,9230, precision 0,8817, recall 0,9135 и F1 0,8973. Датасет обучения, схема меток и подробные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

DistilBart-MNLI-12-1 — сжатая модель на архитектуре BART, опубликованная Valhalla. Она предназначена для классификации текста по заданным пользователем меткам без обучения отдельного классификатора под каждую категорию: модель сопоставляет текст с гипотезами о его содержании и оценивает их правдоподобие. В карточке Hugging Face основная задача обозначена как zero-shot-классификация. Модель содержит 252,8 млн параметров и имеет контекст до 1024 токенов. По README, это дистилляция bart-large-mnli: использованы чередующиеся слои исходной модели и дополнительное дообучение на тех же данных MNLI. Для варианта 12-1 указана точность 87,08% на matched и 87,5% на mismatched части оценки MNLI; это ниже базовой bart-large-mnli, но README характеризует снижение как небольшое. Репозиторий содержит веса PyTorch и Flax. Модель принимает текст и возвращает оценки соответствия между ним и предложенными метками или гипотезами. Её можно применять для тематической сортировки обращений, маршрутизации текстов по категориям и предварительной разметки документов. Карточка не сообщает лицензию и не уточняет языки обучения или качество на других наборах данных; результат зависит от формулировки меток и гипотез.

Xenova/distiluse-base-multilingual-cased-v2 — веб-совместимая версия модели sentence-transformers/distiluse-base-multilingual-cased-v2, подготовленная сообществом Xenova. Модель распространяется с весами в формате ONNX для использования через библиотеку Transformers.js в JavaScript-среде. Она предназначена для извлечения признаков из текста, то есть преобразования текстовых фрагментов в векторные представления. Такой режим может применяться в задачах семантического сравнения и поиска, однако README не содержит подробностей о поддерживаемых языках, размере модели, архитектуре, длине контекста, качестве, модальностях или ограничениях. Указано только, что модель является мультиязычной и используется в пайплайне feature-extraction. Для работы требуется библиотека @huggingface/transformers; веса ONNX обеспечивают совместимость с Transformers.js. Лицензия и условия коммерческого или иного использования в README не указаны.

Docopilot-2B — мультимодальная модель OpenGVLab для понимания документов на уровне целых страниц, представленная в статье «Docopilot: Improving Multimodal Models for Document-Level Understanding». Она принимает изображения документов и текстовые запросы и формирует текстовые ответы в диалоговом режиме; архитектура — InternVLChatModel, формат весов — safetensors. Модель предназначена для вопросов и задач, требующих анализа содержимого документа целиком. В карточке указана лицензия MIT. В доступных сведениях нет подробностей о размере контекста, поддерживаемых языках и конкретных оценках качества.

dParallel-LLaDA-8B-instruct — чат-модель на архитектуре LLaDA, разработанная Zigeng Chen и соавторами из xML Lab Национального университета Сингапура. Это вариант LLaDA-8B-Instruct, обученный методом дистилляции certainty-forcing для ускорения параллельного декодирования диффузионных языковых моделей: модель быстрее достигает уверенности в маскированных токенах, сохраняя качество исходной модели. Модель предназначена для генерации текста в диалоге и выполнения задач, решаемых базовой инструктивной моделью. В экспериментах число шагов декодирования сокращалось с 256 до 30 на GSM8K и до 24 на MBPP, что соответствовало ускорению в 8,5 и 10,5 раза без снижения качества на этих тестах. Такие результаты относятся к указанным бенчмаркам и не гарантируют аналогичного ускорения в других сценариях. Репозиторий содержит веса в формате safetensors; для использования указана библиотека Transformers. Лицензия — MIT.

Eagle2-9B — мультимодальная модель семейства Eagle2, выпущенная NVIDIA для понимания изображений и видео в диалоге. Она объединяет языковую основу Qwen2.5-7B-Instruct с визуальными компонентами SigLIP и ConvNeXt и поддерживает работу с текстом, одним или несколькими изображениями и видео. В README заявлена максимальная длина контекста 16 тыс. токенов; метаданные указывают архитектуру Eagle2ChatModel и библиотеку Transformers. Модель предназначена для описания визуального содержимого, ответов на вопросы по изображениям и видео, а также диалоговых задач с текстом и визуальными входами. В опубликованной таблице приведён результат на DocVQA, но полный набор результатов в доступном тексте README отсутствует. Модель весит около 8,9 млрд параметров по таблице README. Веса доступны по лицензии CC BY-NC 4.0 для некоммерческого использования; README также указывает лицензионные условия базовых моделей Qwen2.5 и PaliGemma. Для запуска README рекомендует transformers 4.37.2 и предупреждает, что более новые версии несовместимы. Поддержка vLLM и готовые скрипты дообучения в карточке обозначены как TODO.

Eklav-4B-Reranker-CotGen — дообученная модель Eklav на базе Qwen/Qwen3-4B, предназначенная для попарного ранжирования passage по релевантности запросу. Это baseline для оценки метода CotGen: при обучении модель продолжает частичный след рассуждений учителя и самостоятельно формирует ответ; в данном варианте использован стандартный SFT на полных следах рассуждений. Модель содержит 3,7 млрд параметров, построена на плотной архитектуре Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов. Для оценки релевантности модель генерирует рассуждение, завершающееся меткой true или false; релевантность извлекается по логитам финального токена. В README упомянуты наборы BRIGHT и NevIR и приведены результаты nDCG@10 на BRIGHT. При генерации длинное рассуждение может зациклиться и не завершить ответ в фиксированном лимите токенов; авторы рекомендуют запуск через vLLM с ограничением по стоп-строке. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не описана.

bhadresh-savani/electra-base-squad2 — англоязычная модель для извлечения ответов на вопросы, созданная авторами deepset на основе electra-base и обученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном отрывке текста и может распознавать случаи, когда в отрывке ответа нет. Для работы с наборами документов README предлагает использовать Haystack. Модель содержит 136,7 млн параметров, архитектура — ELECTRA для вопросно-ответной задачи; контекст ограничен 512 токенами. Доступны веса в PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC BY 4.0.

Adzpro/embedding_e5 — текстовая модель Sentence Transformers, дообученная разработчиком Adzpro на базе intfloat/multilingual-e5-base. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 и предназначена для семантического поиска и извлечения документов; близость векторов можно сравнивать косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель принимает текст, поддерживает многоязычные сценарии и обрабатывает последовательности длиной до 512 токенов. Обучение описано как сопоставление запросов и документов с MultipleNegativesRankingLoss на 140 парах. Примеры датасета относятся к вьетнамским финансовым отчётам, поэтому модель может быть полезна для поиска по подобным материалам; README приводит метрики на небольших тестовой и валидационной выборках. Условия лицензирования в доступных сведениях не приведены.

deepset/gelectra-base-germanquad — модель для извлечения ответов на вопросы на немецком языке, разработанная deepset на основе GELECTRA-base. Её дообучили на наборе GermanQuAD: обучающая часть содержит 11 518 вопросов и ответов, а тестовая — 2 204 вопроса с несколькими аннотациями ответов. В метаданных указаны архитектура ELECTRA и 137,1 млн параметров. Модель предназначена для поиска фрагмента ответа в предоставленном документе или контексте. Её можно применять для ответов на вопросы по немецким документам, в том числе в извлекательных QA-конвейерах Haystack. Максимальная длина контекста составляет 512 токенов; заявленный формат задачи — question-answering. Модель принимает текст вопроса и контекста и возвращает извлечённый текстовый ответ. Она ориентирована на немецкий язык и не заявлена как генеративная или мультимодальная модель. Лицензия — MIT.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет GGUF-слоёв для распределённого запуска GLM-5.3-Flash в кластере Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-Flash-GGUF: исходное распределение модели разделено на артефакты по слоям. В метаданных указаны библиотека mesh-llm и возможность чатового взаимодействия. Модель предназначена для локального приватного инференса, распределения вычислений между несколькими машинами, когда полный GGUF слишком велик для одного узла, и предоставления локального API, совместимого с OpenAI Chat Completions. Указан вариант UD-Q4_K_XL; репозиторий содержит GGUF-пакет слоёв. Языки и размер контекста в предоставленных данных не описаны. Лицензия — MIT. Для запуска требуется Mesh LLM; характеристики и рекомендации по использованию исходной модели следует сверять с карточкой unsloth/GLM-5.3-Flash-GGUF.

onnx-community/gte-multilingual-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-base, подготовленная сообществом onnx-community для работы с библиотекой Transformers.js. Модель предназначена для преобразования предложений и документов в векторные представления, которые можно использовать для семантического поиска, retrieval-систем, сопоставления текстов и других задач, основанных на сравнении смысловой близости. Модель работает в режиме feature extraction и формирует эмбеддинги размерностью 768 признаков. В примерах используются mean pooling и нормализация векторов, после чего релевантность текстов оценивается по косинусному сходству. Для поисковых запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». Модель заявлена как мультиязычная, однако README не содержит перечня поддерживаемых языков, сведений об архитектуре, размере исходной модели или максимальной длине контекста. К сильным сторонам относятся возможность выполнять вычисление эмбеддингов непосредственно в JavaScript-среде через Transformers.js и удобная совместимость с ONNX. Ограничение состоит в том, что это модель для представления и сопоставления текстов, а не генеративная языковая модель: README не описывает её возможности по генерации текста, точность на бенчмарках или ограничения по языкам и длине входа. Лицензия в предоставленных данных не указана.

Gunulhona/Hermes-Llama-Merge — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. За основу взята NousResearch/Hermes-3-Llama-3.1-8B; в объединение также вошли несколько инструкционных моделей Llama 3 на корейском языке, Meta-Llama-3.1-8B и OpenChat 3.6. Модель содержит около 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и опубликована в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают контекст до 131 072 токенов, а описание базовой Hermes 3 отмечает поддержку инструкций, рассуждений, генерации кода и интерфейса вызова инструментов. Набор объединённых моделей указывает на особый акцент на корейском языке наряду с возможностями базовой модели. Карточка не приводит сравнительных оценок качества или подробного описания ограничений объединённой версии. Модель опубликована 30 августа 2024 года; сведения о лицензии в предоставленных данных отсутствуют.

Hyena-12b — языковая модель Xclbr7 для генерации текста, созданная дообучением Xclbr7/Arcanum-12b. Модель построена на плотной архитектуре Mistral и содержит 12,1 млрд параметров; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалогов на английском языке. В метаданных указан контекст длиной до 1 024 000 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

ICONN-1-Mini-Beta — компактная разговорная языковая модель с 7 млрд параметров, разработанная ICONNAI на собственной архитектуре ICONN. Модель предназначена для генерации текста и диалогового взаимодействия; каталог также указывает интерфейс вызова инструментов. Она опубликована в формате Safetensors и рассчитана на контекст до 65 536 токенов. Модель позиционируется как облегчённый вариант семейства ICONN 1 для приложений, которым нужна разговорная генерация при сравнительно небольшом размере модели. В карточке заявлены естественное понимание и создание текста, однако конкретные результаты оценки качества и поддерживаемые языки не приведены. Лицензия — Apache 2.0.

InternVL3.5-8B-Instruct — мультимодальная модель OpenGVLab для диалога и выполнения инструкций по тексту и изображениям. Она дообучена на базе OpenGVLab/InternVL3_5-8B-Pretrained и использует архитектуру InternVLChat; веса опубликованы в формате safetensors и доступны через Transformers. Модель подходит для вопросов об изображениях, визуального рассуждения и решения задач, требующих совместного понимания текста и изображений. Семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. Для эффективного вывода InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. Модель многоязычная, но конкретные языки и размер контекстного окна для этого чекпойнта в предоставленных данных не приведены. Лицензия Apache-2.0. Для запуска требуется мультимодальная инфраструктура; скорость и качество зависят от доступных вычислительных ресурсов и размера изображений.

Karma Electric v9 (KE-v9) — диалоговая языковая модель на базе Apertus-8B-Instruct-2509, дообученная разработчиком репозитория методом QLoRA. Она предназначена для генерации ответов с акцентом на оценку последствий, безопасность и уважительное взаимодействие, а также поддерживает общие диалоговые и программные задачи. Обучение включало этапы Model Spec Midtraining и Alignment Fine-Tuning с примерами рассуждений о последствиях, программирования, работы с инструментами и многоязычных диалогов. Модель использует плотную архитектуру ApertusForCausalLM, содержит 10,3 млрд параметров и имеет нативный контекст 65 536 токенов по метаданным; в README для базовой модели указано 256K. В репозитории доступны веса safetensors и GGUF в вариантах F16 и Q8_0. В README приведены результаты StrongReject и DystopiaBench, указывающие на повышенную устойчивость к некоторым попыткам обойти защиту по сравнению с базовой моделью; это результаты конкретных тестов, а не гарантия безопасности. Карточка указывает поддержку английского, чешского, немецкого и французского языков. README отмечает ограниченные возможности модели размера 8B в сложных рассуждениях и многоязычных задачах, низкое качество тибетского и избыточные отказы на части запросов с угрожающими ключевыми словами. Модель не проверена для производственного развертывания. Лицензия — Apache-2.0.