I.2Синтез, понимание и проверка знаний

AISE-TUDelft/java-summary-classifier — модель на архитектуре MPNet, созданная на базе Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, сравнения предложений и кластеризации. В частности, модель подходит для задач классификации описаний Java-кода по сходству с краткими сводками. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста составляет 514 токенов. README сообщает об обучении с CosineSimilarityLoss. Доступные сведения не уточняют поддерживаемые естественные языки. Формат весов — PyTorch; сведения о лицензии отсутствуют.

bespin-global/klue-sentence-roberta-base — модель эмбеддингов предложений и абзацев от Jaehyeong из Bespin Global. Она основана на RoBERTa и преобразует текст в плотные векторы размерности 768; размер модели — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска и кластеризации текстов. Её можно использовать в системах поиска по смыслу, группировки похожих предложений и сравнения текстовых фрагментов. Обучение проводилось с функцией потерь CosineSimilarityLoss на данных KLUE, что указывает на ориентацию на корейский язык. Модель доступна в формате PyTorch по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. В карточке не приведены результаты оценки качества; поэтому качество для конкретного сценария следует проверять отдельно.

adamkareem/llama-3-8b-dolphin-uncensored — дообученная разговорная модель семейства Llama 3, разработанная adamkareem на основе unsloth/llama-3-8b-Instruct-bnb-4bit. Она предназначена для генерации текста в диалоге и имеет около 7,5 млрд параметров, плотную архитектуру LlamaForCausalLM и контекст до 8192 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык и поддержка чата. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название указывает на uncensored-вариант, однако README не уточняет его поведение и ограничения по содержанию.

teddylee777/Llama-3-Open-Ko-8B-gguf — это квантизированная в формате GGUF версия Llama-3-Open-Ko-8B, разработанной Junbum Lee (Beomi) на основе Meta Llama 3. Модель представляет собой продолжающее предварительное обучение языковой модели Llama-3-8B на более чем 60 ГБ дедуплицированных общедоступных текстов и свыше 17,7 млрд токенов. Квантизация выполнена с помощью llama.cpp. Модель предназначена для генерации текста и кода, включая задачи на английском и корейском языках, а также для локального запуска и разработки приложений на базе языковых моделей. Она использует оптимизированную архитектуру Transformer, содержит около 8 млрд параметров, поддерживает Grouped-Query Attention и имеет контекст длиной до 8 тысяч токенов. В README также приведена конфигурация Ollama с контекстом 4096 токенов и ограничением генерации до 3000 токенов. К сильным сторонам относятся специализация на корейскоязычных данных, совместимость с инструментами llama.cpp и Ollama, а также возможность локального использования квантизированной модели. Это базовая предварительно обученная модель, а не полноценная корейская instruction-tuned версия, поэтому качество диалоговых ответов, следование инструкциям и безопасность требуют дополнительной настройки и тестирования. В README не указаны точные параметры квантизации GGUF и требования к ресурсам. Модель распространяется по лицензии Llama 3 Community License; использование должно соответствовать применимому законодательству и Acceptable Use Policy Meta.

Magro-7B — диалоговая языковая модель Sakalti, дообученная на базе HuggingfaceH4/zephyr-7b-beta. Она предназначена для генерации текста в формате беседы и может использоваться в чат-ботах и других приложениях, которым нужны текстовые ответы. Модель построена на архитектуре Mistral с плотной авторегрессионной сетью и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Для обучения использовались Unsloth и TRL. Модель распространяется по лицензии MIT.

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах. Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео. Она сочетает визуальный энкодер SigLIP-400M с языковой моделью Qwen2-7B и содержит 8 млрд параметров. Модель отвечает на вопросы по визуальному содержимому, сравнивает изображения, распознаёт текст и создаёт подробные описания видео с учётом пространственно-временной информации. Поддерживаются изображения с произвольным соотношением сторон размером до 1,8 млн пикселей; заявлены многоязычные возможности, включая английский, китайский, немецкий, французский, итальянский и корейский. Модель рассчитана на запуск через Transformers, а также на локальный инференс с llama.cpp и Ollama; README отмечает её эффективность при обработке изображений и видео. Заявлены сильные результаты на тестах понимания изображений, OCR и видео, однако приведённые сравнения основаны на оценках разработчиков и не гарантируют аналогичного качества в конкретных сценариях. Модель может ошибаться и галлюцинировать. Лицензия в предоставленных данных не указана.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

Alchan/mpt-7b-chat — диалоговая языковая модель, созданная MosaicML дообучением MPT-7B на наборах ShareGPT-Vicuna, HC3, Alpaca, HH-RLHF и Evol-Instruct. Она предназначена для генерации ответов в диалоге, следования инструкциям и создания текста в формате чат-бота. Модель использует модифицированную архитектуру декодерного трансформера MPT с 6,7 млрд параметров, 32 слоями и 32 головами внимания. В ней применяются FlashAttention и ALiBi; формат весов — PyTorch и Safetensors. Для загрузки через Transformers требуется включить trust_remote_code. В карточке приведён пример создания твита по описанию статьи. Модель может выдавать фактически неверные, предвзятые, грубые или оскорбительные ответы. Языки обучения и поддерживаемые языки явно не перечислены. Лицензия CC-BY-NC-SA-4.0 разрешает только некоммерческое использование с соблюдением условий атрибуции и распространения на тех же условиях.

Многоязычный классификатор без примеров обучения от Horizon Labs: модель на архитектуре ModernBERT (mmBERT) с 306,9 млн параметров, дообученная на задачах вывода по естественному языку. Она сопоставляет текст с выбранными пользователем метками через гипотезу на английском языке и подходит для классификации намерений, тем и тональности, а также для других задач NLI. Модель поддерживает более 30 языков, включая русский; размер контекста — 8192 токена, при этом дообучение выполнялось на последовательностях длиной до 1024 токенов. В репозитории есть веса Safetensors и вариант ONNX для CPU и браузера. Модель обучалась на MultiNLI, SNLI, WANLI и синтетических данных. По результатам сравнения в карточке она уступает некоторым более крупным моделям на отдельных наборах, а качество заметно зависит от формулировки меток и шаблона гипотезы; на языках с небольшими обучающими ресурсами результаты слабее. Часть названий меток из некоторых бенчмарков встречалась в синтетических данных, поэтому для них оценка не полностью zero-shot относительно меток. Лицензия — Apache-2.0.

Muse-Glimmer-30B Abliterated — дообученная версия Muse-Glimmer-30B, созданная автором репозитория jorkle. Это плотная мультимодальная модель семейства Muse-Glimmer с примерно 29,8 млрд параметров; карточка описывает вариант BF16 и отдельные квантизированные сборки GGUF. Модель предназначена для диалогового ассистирования общего назначения с уменьшенной склонностью к отказам. Для снижения частоты отказов применялось дообучение LoRA на 544 примерах с ограничением отклонения от базовой модели через KL-регуляризацию; адаптер затем объединён с базовыми весами. В README приведены измерения отказов и KL-дивергенции, но бенчмарки способностей не проводились. Модель может принимать текстовые и визуальные входы согласно мультимодальности базовой модели, однако карточка не описывает отдельно оценку этих возможностей. Указанная лицензия — Apache-2.0. Модель следует проверять на конкретном сценарии: снижение числа отказов не устраняет отказы полностью, а результаты тестирования выявили как пропуски ожидаемых отказов, так и отдельные отказы на кибербезопасностных запросах.

Muse-Glimmer-30B-assistant представлен как облегчённая модель-черновик для Muse Glimmer 30B, разработанная Meta Superintelligence Lab. Она использует DFlash: за один проход предлагает блоки из 16 токенов, которые основная модель проверяет параллельно; заявленная цель — ускорить генерацию текста, сохраняя качество основного генератора. В README основная Muse Glimmer описана как плотный причинный трансформер с энкодером восприятия, предназначенный для локального запуска и мультимодальных агентных задач. При этом метаданные этого репозитория указывают 2,5 млрд параметров и архитектуру MuseGlimmerAssistantModel; README приводит размер около 29,6 млрд для основной модели, поэтому эти значения относятся к разным компонентам.

Mythos-nano — независимая открытая модель проекта squ11z1, дообученная на базе WeiboAI/VibeThinker-3B. Это текстовая авторегрессионная модель для генерации текста, ориентированная прежде всего на рассуждения, математические задачи и программирование. Указан английский язык; модель также позиционируется для задач на знания и следование инструкциям. Модель содержит около 3 млрд параметров и относится к семейству Qwen2 согласно тегам репозитория. В README не указаны точная архитектура, размер контекста и данные обучения. По приведённым результатам она демонстрирует сильные показатели на соревновательной математике и задачах программирования, включая LeetCode, а также хорошие результаты на отдельных тестах следования инструкциям и знаний. Для сложных задач рекомендуется генерировать до 40960 токенов с температурой 0,6–1,0. Модель не обучалась на данных для tool calling и агентского программирования, поэтому не рекомендуется для вызова функций, оркестрации API и автономных coding-агентов. В README также указано снижение защитных ограничений: удалено направление отказа, поэтому модель может не отклонять запросы, которые обычно блокируются моделями с настройкой безопасности. Доступны форматы для Transformers и GGUF, включая варианты для llama.cpp и Ollama. Лицензия MIT.

OLA-Embed — разработанная OneLineAI / OLAIR мультимодальная модель эмбеддингов на 8 млрд параметров, дообученная на базе Qwen/Qwen3-VL-Embedding-8B для финансового поиска и многоязычного retrieval. Она кодирует текст, изображения документов и таблиц, скриншоты, изображения, видео и смешанные входы в общее векторное пространство; подходит для семантического поиска, RAG, межъязыкового поиска, сравнения сходства, кластеризации и удаления дубликатов. Модель построена на архитектуре Qwen3-VL, поддерживает Sentence Transformers, возвращает L2-нормированные векторы размерностью до 4096 и обучалась с контрастивной функцией потерь, hard negatives и Matryoshka-представлениями. Основная проверенная область — финансовые документы, а приоритетные языки оценки — корейский, английский, японский и вьетнамский. Лицензия модели — Apache-2.0. Качество для других языков и предметных областей требует отдельной оценки. В карточке нет специализированных оценок самой модели для мультимодальных задач; качество может снижаться на сложных таблицах, низкокачественных скриншотах и нестандартной разметке документов. Модель не генерирует текст и не является реранкером; её результаты не гарантируют фактическую точность и не должны быть единственным основанием для финансовых, юридических или регуляторных решений. Условия лицензирования исходных обучающих данных могут различаться.

0xnu/pmmlv2-fine-tuned-igbo — модель векторных представлений предложений, дообученная для языка игбо на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и библиотеку Sentence-Transformers; в репозитории указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для получения эмбеддингов и сравнения сходства предложений, в том числе на игбо. Модель принимает текст и выдаёт векторные представления, применимые для семантического поиска, сопоставления предложений и группировки похожих текстов. Метаданные указывают поддержку множества языков, включая игбо, русский и английский. Лицензия — MIT. README не приводит результатов оценки качества, поэтому надёжность на разных вариантах орфографии и диакритики игбо по предоставленным данным определить нельзя.

PubMedBERT Embeddings 1M — англоязычная модель статических плотных эмбеддингов для медицинских текстов, опубликованная NeuML. Это версия с сокращённым словарём: из PubMedBERT Embeddings 2M оставлена верхняя половина наиболее часто используемых токенов. Модель относится к семейству Model2Vec и может использоваться с txtai, Sentence-Transformers и Model2Vec. Модель предназначена для построения векторных индексов, семантического поиска и извлечения релевантных материалов для RAG по медицинским публикациям и другим текстам на английском языке. В README приведены результаты сравнения на наборах PubMed QA, PubMed Subset и PubMed Summary; авторы указывают на небольшой компромисс в качестве относительно исходной модели. Контекстная длина в метаданных каталога — до 1 000 000 токенов. Модель принимает текст и выдаёт векторные представления, применимые для сравнения сходства, поиска и кластеризации. Она ориентирована на медицинский текст и не предназначена для генерации ответов: качество результатов поиска зависит от корпуса, индексации и выбранного порога сходства. Лицензия — Apache-2.0.

Qarasu-14B-Chat-Plus-Unleashed — диалоговая языковая модель Lightblue, дообученная на базе Qwen/Qwen-14B-Chat. Она предназначена для генерации ответов в чате и ведения диалога на японском и английском языках. Модель построена на плотной архитектуре Qwen с 21,8 млрд параметров и контекстом до 8192 токенов. Для дообучения использованы наборы Lightblue, японские диалоги OASST и ShareGPT, а также англо-японский набор ultra-orca-boros. Авторы сообщают о высоких результатах внутренних оценок на MT-Bench; независимая оценка на момент публикации ожидалась. Суффикс Unleashed связан с версией, в которой из категорийного набора удалили около 6 тысяч отказов. Модель распространяется под лицензией с меткой other; конкретные условия следует сверить с лицензией репозитория.

dongguanting/Qwen3-14B-ARPO-DeepSearch — чекпойнт модели, выпущенный вместе со статьёй об алгоритме Agentic Reinforced Policy Optimization (ARPO). Это плотная причинно-языковая модель семейства Qwen3 с 14 млрд параметров, предназначенная для генерации текста, диалога и многошагового использования инструментов агентом. Модель работает с текстом, а заявленная длина контекста составляет 40 960 токенов. ARPO обучает агентную политику взаимодействовать с внешними инструментами в ходе решения задач. В статье описаны адаптивный механизм выборки на основе энтропии и оценка вклада отдельных шагов; авторы сообщают об экспериментах на 13 тестах по вычислительным рассуждениям, знаниям и глубокому поиску, а также о снижении бюджета использования инструментов. Для практического применения описан запуск через Transformers; конкретные инструменты и агентная настройка требуют отдельной реализации. Модель опубликована под лицензией MIT. README представляет её как исследовательский чекпойнт к статье, поэтому заявленные результаты следует считать экспериментальными и не гарантировать на новых задачах; подробности о поддерживаемых языках и конкретных внешних инструментах в доступных материалах не приведены.

mlx-community/Qwen3.5-0.8B-OptiQ-4bit — квантованная MLX-версия базовой модели Qwen/Qwen3.5-0.8B, разработанная сообществом mlx-community с использованием инструментария mlx-optiq. Модель предназначена для локальной генерации текста на устройствах Apple Silicon, включая задачи рассуждений, программирования, следования инструкциям, вызова инструментов и агентских сценариев. README не содержит сведений о поддерживаемых языках, размере контекста и исходной мультимодальности базовой модели. Это преимущественно 4-битная смешанно-точная квантовка: 56 чувствительных слоёв имеют точность 8 бит, а 130 устойчивых — 4 бита; общий размер на диске составляет около 0,6 ГБ, размер группы — 64. В комплект входит MTP-голова для speculative decoding, заявленное ускорение декодирования — около 1,4 раза. По сравнению с равномерной 4-битной квантовкой модель показывает более высокие результаты на MMLU, GSM8K, IFEval, BFCL и HumanEval, однако уступает ей в тесте длинноконтекстного извлечения HashHop. Результаты зависят от настроек и аппаратного обеспечения, а небольшие размеры модели ограничивают её общие возможности. Для использования требуется MLX и, согласно README, пакет mlx-lm; дополнительные функции, включая серверную подачу, LoRA и MTP-декодирование, доступны через mlx-optiq. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия базовой модели.

Qwen3-Reranker-4B-W4A16-G128 — GPTQ-квантизированная версия модели Qwen3-Reranker-4B, разработанной командой Qwen. Модель предназначена для переранжирования результатов поиска и других задач классификации текста, где требуется оценить релевантность текстовых пар или запросов и документов. Она может использоваться в системах семантического поиска, retrieval-augmented generation и других сценариях, в которых исходную выдачу нужно упорядочить по релевантности. Модель основана на архитектуре Qwen3-Reranker-4B и использует 4-битное квантование GPTQ с конфигурацией W4A16-G128. Для калибровки применялись наборы данных Ultrachat, THUIR/T2Ranking и m-a-p/COIG-CQIA. По данным карточки, квантование снижает заявленное потребление VRAM примерно с 17 430 до 11 000 МБ без FA2, однако автор оценивает возможное падение точности менее чем в 5%; окончательная оценка на момент публикации ещё проводилась. Языки, размер контекста и точный перечень поддерживаемых модальностей в карточке не указаны; по описанию модель является текстовой. Модель распространяется по лицензии Apache-2.0. Для запуска требуется установить соответствующие инструменты, включая compressed-tensors, optimum и один из пакетов auto-gptq или gptqmodel, после чего использовать официальный пример для Qwen3-Reranker. Ключевое преимущество — уменьшенное потребление видеопамяти при сохранении назначения исходной модели, а основное ограничение — потенциальная потеря качества после квантования и отсутствие подробных результатов независимой оценки.

t-firefly/qwen3-vl-4b-rknn3-rk1828 — производная модель семейства Qwen3-VL, подготовленная для запуска на платформе Rockchip RK1828 через LlamaPi. В основе лежит Qwen3-VL-4B-Instruct от команды Qwen: плотная мультимодальная модель на 4 млрд параметров с архитектурой Qwen3VLForConditionalGeneration и интерфейсом диалоговой генерации. Репозиторий содержит веса в формате GGUF. Модель принимает текст и изображения и генерирует ответы на вопросы о визуальном содержимом. Она предназначена для визуального рассуждения, распознавания текста на изображениях, понимания пространственных отношений и анализа документов, а также для диалога с учётом текстового и визуального контекста. README указывает на запуск через LlamaPi на RK1828; метаданные также отмечают интерфейс вызова инструментов. Модель выпущена под лицензией Apache-2.0. В карточке производной модели не приведены отдельные сведения о контекстном окне и поддерживаемых языках; её возможности и языковое покрытие в значительной степени определяются базовой моделью Qwen3-VL-4B-Instruct.

Это англоязычный кросс-энкодер kwondw на базе microsoft/MiniLM-L12-H384-uncased, дообученный на MS MARCO с помощью библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; архитектура — BertForSequenceClassification с одним выходным значением, размер — около 40 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, найденных первичным поиском, по соответствию запросу. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; фактическое качество зависит от данных и сценария применения. Модель принимает и выдаёт текстовые данные с оценками релевантности. Лицензия в предоставленных данных не указана. Модель обучена на английском языке и рассчитана на текстовые входы длиной до 512 токенов; результаты для других языков и длинных последовательностей не подтверждены.

SambaLingo-Hungarian-Chat-70B — диалоговая языковая модель, разработанная SambaNova Systems для общения на венгерском и английском языках. Это плотная авторегрессионная модель семейства Llama с 68,9 млрд параметров и контекстом 4096 токенов. Она дообучена методом direct preference optimization на базе SambaLingo-Hungarian-Base; базовая модель адаптирует Llama 2 70B к венгерскому языку на данных Cultura-X. Словарь токенизатора расширен с 32 000 до 57 000 токенов. Модель предназначена для диалогов и генерации ответов на венгерском и английском. Её можно применять для разговорных помощников, черновиков текстов и ответов на вопросы; README приводит рекомендации по настройке генерации и использованию шаблона чата. Модель может переключаться между языками, повторяться, галлюцинировать, а её способности к программированию и сложной математике ограничены. Возможна генерация токсичного или вредного текста. Модель не предназначена для критически важных задач, влияющих на безопасность или важные решения. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

Vela FactCheck — модель классификации текста от vllm-sr, дообученная на базе vllm-sr/Vela-1.0-Encoder-307M. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждений. Архитектура — ModernBERT для классификации последовательностей, размер — 306,9 млн параметров, максимальная длина входа — 32 768 токенов с учётом специальных токенов. Модель рассчитана на классификацию запросов в системах маршрутизации и retrieval.

deepset/bert-medium-squad2-distilled — англоязычная модель для извлекающего ответа на вопросы, опубликованная deepset. Это компактная версия BERT с архитектурой BertForQuestionAnswering и 49,2 млн параметров; модель принимает вопрос и текстовый контекст и выделяет в нём фрагмент с ответом, обучена на SQuAD 2.0 и рассчитана на английский язык. Модель создана методом дистилляции в Haystack 1.x: в README указан deepset/bert-large-uncased-whole-word-masking-squad2 как модель-учитель. Она подходит для извлечения ответов из документов, в том числе в конвейерах Haystack. Максимальный размер контекста — 512 токенов; веса доступны в форматах PyTorch и safetensors. Лицензия — MIT. Модель предназначена для ответов по предоставленному контексту и не является генеративным чат-ассистентом; её качество за пределами английского языка и обучающих данных SQuAD 2.0 не подтверждено.

boltuix/bert-mid — компактная англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Она использует двунаправленный Transformer и обучалась предсказывать замаскированные токены и отношения между предложениями; в метаданных указано 14,1 млн параметров и контекст до 512 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, извлечение ответов и распознавание текстовых отношений. Подходит для анализа тональности, распознавания именованных сущностей, определения намерений и задач естественного языкового вывода. По карточке, модель оценивалась на GLUE и обучалась на BookCorpus и английской Wikipedia. Репозиторий содержит веса safetensors; лицензия — MIT. Модель рассчитана на английский язык и не предназначена для генерации связного текста или задач на других языках без существенного дообучения. Она может наследовать смещения из обучающих данных, а для очень ограниченных устройств может потребоваться дополнительная оптимизация.

NeuML разработала BiomedBERT ColBERT — англоязычную модель эмбеддингов с несколькими векторами, дообученную на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и оценивает их сходство с помощью позднего взаимодействия ColBERT и оператора MaxSim. Модель предназначена для семантического поиска и извлечения релевантных фрагментов из биомедицинских текстов, в том числе как источника контекста для RAG. Её можно применять для поиска по большим коллекциям публикаций, подбора ответов на вопросы по медицинской литературе и ускоренного переранжирования результатов. В README приведены оценки на PubMed QA, PubMed Subset и PubMed Summary; автор отмечает, что модель превосходит включённые в сравнение модели на среднем результате. Она не является cross-encoder, а её контекст ограничен 512 токенами. Модель содержит 136,7 млн параметров, распространяется в формате safetensors и доступна по лицензии Apache-2.0.

ChatAllInOne-Mistral-7B-V1 — чатовая языковая модель, созданная DrNicefellow дообучением Mistral 7B с помощью QLoRA и Unsloth на наборе данных CHAT-ALL-IN-ONE-v1. Она предназначена для генерации ответов в диалогах — от непринуждённого общения до формальных и тематических бесед — и использует формат запросов Vicuna 1.1. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы, стараясь сохранять связность в продолжительных диалогах. В репозитории опубликованы веса Safetensors. Модель выпущена под лицензией Apache-2.0.