I.2Синтез, понимание и проверка знаний

Это модель Sentence Transformers, разработанная авторами репозитория ipsnan/keywordsextraction для извлечения ключевых слов из украинских научных и деловых документов. Она дообучена на базе intfloat/multilingual-e5-base и использует энкодер XLM-RoBERTa с усреднением токеновых представлений и L2-нормализацией. Модель содержит около 305,2 млн параметров, выдаёт эмбеддинги размерности 768 и обрабатывает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель кодирует документ и сопоставляет его с заранее подготовленными эмбеддингами ключевых слов, ранжируя совпадения по косинусному сходству. Она предназначена для поиска ключевых слов в научных текстах, академических материалах и деловых документах, а также для использования в семантическом поиске и сопоставлении предложений. В комплекте репозитория есть индекс ключевых слов и скрипт обработки PDF. Модель лучше всего работает с текстами на украинском языке и возвращает только слова из имеющегося индекса; для нового набора ключевых слов индекс нужно подготовить заново. Качество зависит от того, насколько первые примерно 3000 символов документа отражают его тему. Модель распространяется по лицензии MIT.

Kraken-Multilingual — языковая модель на архитектуре Kraken, созданная совместно Cognitive Computations, VAGO Solutions и Hyperspace.ai; среди авторов указаны Fernando Fernandes Neto, David Golchinfar, Lucas Atkins и Eric Hartford. Это плотная причинная языковая модель на базе Transformers, которая использует маршрутизатор для выбора подходящей экспертной модели в зависимости от языка и содержания запроса. Среди перечисленных экспертов — модели для немецкого и английского, итальянского, французского и скандинавских языков. Модель предназначена для генерации текста и диалоговых ответов на английском, немецком, итальянском, французском, шведском, финском, датском и норвежском языках. Маршрутизация между экспертами и настраиваемые шаблоны позволяют применять её в многоязычном чате и переключать используемые модели и квантование через конфигурацию. В репозитории представлены веса Safetensors. Лицензия в предоставленных сведениях не указана.

Это чат-модель семейства Llama 2 с 7 млрд параметров, дообученная автором chenshake на базе chenshake/Llama-2-7b-chat-hf с помощью QLoRA на наборе mlabonne/guanaco-llama2-1k. Она предназначена для генерации ответов в диалоге и тестирования дообученной модели; для работы с чат-промптами нужно использовать соответствующий шаблон Llama. Модель принимает текст и генерирует текст, поддерживает контекст до 2048 токенов и сохранена в формате safetensors. Лицензия — Apache-2.0. README описывает доступный способ дообучения на GPU T4 с 16 ГБ памяти, но не приводит оценок качества.

Llama-4-Scout-17B-16E-Instruct — мультимодальная инструкционная модель Meta, опубликованная на Hugging Face организацией RedHatAI. Она построена на авторегрессионной архитектуре Llama 4 с механизмом смеси экспертов (MoE): 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для диалогов, визуального анализа и рассуждений по изображениям. Модель подходит для ответов на вопросы об изображениях, их описания и распознавания визуальных деталей, а также для многоязычного общения. Заявлена поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Модель протестирована для понимания до пяти входных изображений; для большего числа изображений требуется дополнительная проверка. В README также отмечены возможные риски ошибочных или небезопасных ответов и необходимость учитывать лицензионные ограничения. Модель распространяется по пользовательской коммерческой лицензии Llama 4 Community License Agreement. Карточка сообщает о проверке в RHOAI 2.20, RHAIIS 3.0 и RHELAI 1.5.

fradinho/llama-mistral — диалоговая языковая модель на архитектуре Llama, созданная объединением моделей с помощью mergekit. В объединение вошли arcee-ai/llama_from_mistral_instruct_v2 и NousResearch/Llama-2-7b-chat-hf; применён метод task arithmetic с равными весами. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Модель предназначена для ведения бесед и генерации ответов. Контекст составляет 2048 токенов; в карточке не заявлена поддержка языков, кроме сведений о базовой модели, ориентированной на английский. Репозиторий распространяется по лицензии MIT. Данных о качестве на конкретных задачах нет.

MiniLM-searchkeys — англоязычный энкодер Sentence Transformers, дообученный Saber Zahhar, Nédra Mellouli, Christophe Rodrigues и Nicolas Travers в рамках SearchKeys для многодоменного ранжирования ключевых фраз. Модель кодирует документ и кандидаты ключевых фраз в общее 384-мерное пространство; косинусное сходство служит оценкой релевантности, в том числе для фраз, которых буквально нет в документе. Модель предназначена для ранжирующего компонента конвейера предсказания ключевых фраз с поиском по размеченному корпусу: кандидаты сначала извлекаются, например BM25-поиском по близким документам, а затем сортируются по эмбеддинговому сходству, при необходимости с учётом частоты кандидата. Обучение объединяет датасеты компьютерной науки, биомедицины и новостей, поэтому модель рассчитана на эти три области. Это BERT-подобная модель на базе sentence-transformers/all-MiniLM-L12-v2 с 40 млн параметров; принимает текст и возвращает эмбеддинги. Контекст составляет 512 токенов, более длинный текст обрезается. Лицензия — CC; точный вариант лицензии в предоставленных данных не уточнён.

Mistral-Small-24B-Instruct-2501-Abliterated — версия Mistral Small 24B Instruct, созданная huihui-ai с помощью abliteration: авторы изменили базовую модель, чтобы убрать механизмы отказа. Это экспериментальная версия с открытым стилем ответов; в карточке метод назван грубым proof of concept. Модель предназначена для диалогов и генерации текста, а также предоставляет интерфейс вызова инструментов. Архитектура — плотная трансформерная MistralForCausalLM с 23,4 млрд параметров; контекст — до 32 768 токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Используются веса Safetensors, библиотека vLLM. Лицензия — Apache-2.0.

nreimers/mmarco-mMiniLMv2-L12-H384-v1 — модель на основе XLM-RoBERTa, опубликованная Nils Reimers. Она предназначена для многоязычного ранжирования текстовых пар: оценивает соответствие запроса и документа, чтобы сортировать найденные результаты поиска. В каталоге Hugging Face указаны архитектура XLM-RoBERTa, около 124,3 млн параметров и контекст до 514 токенов; карточка автора отсутствует, поэтому подробности обучения и список поддерживаемых языков по доступным сведениям подтвердить нельзя. Модель подходит для повторного ранжирования кандидатов в поиске и системах ответа на вопросы. Метаданные Hugging Face помечают её как text-classification и указывают формат PyTorch; по назначению это cross-encoder для оценки релевантности. Лицензию и конкретные ограничения применения доступные источники не подтверждают.

Fizzarolli/MN-12b-Sunrose — объединённая модель для генерации текста, созданная из предварительно обученных языковых моделей с помощью mergekit и метода passthrough. В состав слияния вошли Fizzarolli/MN-12b-Rosier-v1 и Fizzarolli/nemo-sunfall-v0.6.1-adapter-on-base. Модель построена на плотной архитектуре Mistral и содержит 12,1 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Указанное окно контекста — 1 024 000 токенов. Модель предназначена для генерации текста. README не приводит конкретных сценариев применения, сведений о языках или результатов оценки качества. Лицензия в доступных данных не указана.

Muffakir_Embedding — арабоязычная модель Sentence Transformer, созданная Mohamed2811 на основе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2 и дообученная для семантического сходства текстов и поиска информации. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, ранжирования релевантных фрагментов, кластеризации и классификации текстов, в том числе в системах RAG для юридических документов. Обучение проводилось на 20 252 синтетических парах «вопрос—ответ», полученных из египетских юридических книг с помощью LLM; использовались MatryoshkaLoss и MultipleNegativesRankingLoss. Архитектура — BERT, контекст — до 512 токенов. Карточка сообщает о первом месте на арабском RAG-бенчмарке для исламского набора данных, но не приводит подробностей методики сравнения. Модель ориентирована на арабский язык; результаты для других языков не заявлены. Лицензия в предоставленных данных не указана.

Это Sentence Transformer, дообученный на базе intfloat/multilingual-e5-small для поиска и сравнения юридических текстов. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между ними можно оценивать косинусной близостью. Архитектура состоит из трансформера BERT, усредняющего пулинга токенов и нормализации векторов. Модель подходит для семантического поиска по правовым документам, подбора релевантных фрагментов к запросу, поиска перефразировок и группировки текстов. В README приведены обучающие пары «запрос — фрагмент» и оценка на задаче информационного поиска. Максимальная длина последовательности — 512 токенов; модель рассчитана на многоязычный текст, а приведённый пример обучающих данных — на испанском языке. Это модель эмбеддингов, а не генератор ответов или юридических заключений. Её качество зависит от соответствия корпуса и запросов данным обучения; приведённые метрики относятся к указанной оценке и не гарантируют качество в других правовых системах или языках. В предоставленных материалах сведения о лицензии отсутствуют.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

ossamai-v0.2-merged16 — дообученная разговорная языковая модель, опубликованная blepdoge на основе unsloth/llama-3-8b-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалоговых сценариев на английском языке с контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Это квантизированная версия инструктивной языковой модели Qwen2.5-0.5B-Instruct, подготовленная dispatchAI для запуска на мобильных устройствах. Модель содержит 494 млн параметров и распространяется в формате GGUF с квантизацией INT4; по данным карточки, она занимает около 0,7 ГБ памяти и ориентирована на быстрый запуск на процессоре смартфона. Модель предназначена для генерации текста и диалоговых сценариев на устройстве: генерации кода в мобильных IDE, классификации и извлечения данных из текста, а также встраивания ассистентов в приложения. Карточка заявляет скорость около 45 токенов в секунду на CPU Samsung S20 FE и сохранение примерно 94% качества относительно исходной модели. Поддерживаются английский и китайский языки; лицензия — Apache-2.0.

Это мультимодальная модель семейства Qwen, созданная RangerX на основе Qwen/Qwen3.6-35B-A3B. Чекпойнт получен методом REAP (Router-weighted Expert Activation Pruning): маршрутизируемые эксперты отбирались по весам маршрутизатора и нормам активаций; коэффициент pruning — 0,50. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration и распространяется в формате safetensors для Transformers. Модель предназначена для диалогов и задач «изображение—текст», включая анализ изображений. При создании сохранены конфигурация vision-language, общий эксперт, токенизатор и процессор; для калибровки pruning использовалась смесь примеров по коду, вызову функций, математике, науке и траекториям SWE-bench. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества после pruning, поэтому сохранение исходного уровня возможностей не подтверждено.

Это пакет распределённого запуска модели Qwen3.8-2.4T-A95B в формате GGUF, подготовленный Mesh LLM на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Веса разделены на отдельные артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда одного хоста недостаточно. Пакет предназначен для локального приватного инференса и чат-сценариев через совместимый с OpenAI API Mesh LLM. Вариант использует квантование UD-IQ2_XXS и библиотеку mesh-llm. Карточка отмечает пакет как экспериментальный: проверка целостности артефактов выполнена, но корректность работы и разделения слоёв, а также мультимодальная сертификация ещё не завершены. Лицензия указана как other; условия лицензии следует сверять с карточкой исходной модели.

Qwen3-8B TMax AENV v39b iteration 99 — это чекпойнт на базе Qwen3-8B, разработанный willamazon1. Модель прошла дообучение с подкреплением методом group-relative policy optimization на асинхронных многоходовых взаимодействиях в агентной среде; исходной точкой был SFT-чекпойнт willamazon1/qwen3-8b-tmax-sft-v3-iter353, созданный на основе Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для диалоговой генерации текста и сценариев с агентом и вызовом инструментов. Опубликована итерация 99 из серии чекпойнтов обучения, что позволяет сравнивать разные точки обучения. Веса сохранены в формате safetensors с точностью bfloat16; конвертация выполнена из чекпойнта Megatron-LM torch_dist в формат Hugging Face. Лицензия — Apache-2.0. Чекпойнт отражает промежуточную итерацию обучения с подкреплением, поэтому поведение и качество могут отличаться от более поздних итераций этой серии. Он ориентирован на текстовый ввод и выдачу; отдельные показатели качества в карточке не приведены.

Карточка модели ArchiveStudio/Qwen3-VL-Reranker-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Reranker-2B, поэтому описание составлено по ней. Qwen3-VL-Reranker-2B — мультимодальная модель ранжирования из семейства Qwen, созданная командой Qwen на базе Qwen/Qwen3-VL-2B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность; запрос и документ могут содержать текст, изображения, скриншоты, видео или сочетания этих данных. Модель рассчитана на уточнение результатов поиска после первичного отбора кандидатов, например в мультимодальных и межъязыковых поисковых системах. Модель использует плотную архитектуру Qwen3-VLForConditionalGeneration, содержит 2 млрд параметров и поддерживает контекст до 32 тыс. токенов. По карточке модели она поддерживает более 30 языков и настраиваемые инструкции для задачи ранжирования. В описанных авторами тестах модель показала результаты на наборах для мультимодального поиска, визуальных документов и видео; фактическое качество зависит от данных и сценария применения. Модель предназначена для этапа переранжирования и выдаёт оценку релевантности, а не готовый список результатов или векторные эмбеддинги. Для первого этапа поиска авторы предлагают сочетать её с моделью Qwen3-VL-Embedding. Лицензия — Apache-2.0.

Карточка модели rickix84/recall-honcho-8b на Hugging Face совпадает с карточкой dman1011/recall-honcho-8b, поэтому описание составлено по ней. recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

Карточка модели alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub-old на Hugging Face совпадает с карточкой alrope/rexgradient_qwen2_5-3b-vl-btx-from-pub, поэтому описание составлено по ней. rexvgradientqwen25-3b-vl-btx-frompub — дообученная модель alrope, созданная на основе micdun/rexgradient_btx-style-flex_public-pubmed_untrained с использованием TRL. Это чат-модель для генерации текста; в метаданных указаны архитектура Flex_Qwen2_5_VLMoeForConditionalGeneration, размер 3,1 млрд параметров и контекст до 128 000 токенов. Для запуска в README приведён пример с Transformers pipeline и передачей сообщений в формате диалога. Модель опубликована в формате safetensors; сведения о лицензии и подтверждённых языках в предоставленных данных отсутствуют.

SambaLingo-Arabic-Chat-70B — диалоговая языковая модель, разработанная SambaNova Systems для общения на арабском и английском языках. Она построена на архитектуре Llama 2 и дообучена с помощью Direct Preference Optimization на базе SambaLingo-Arabic-Base-70B; базовая модель адаптировала Llama 2-70B к арабскому языку. Модель содержит 68,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов в чатах и диалоговых приложениях. Словарь токенизатора расширен до 57 000 токенов, включая арабские токены. Веса доступны в форматах PyTorch и safetensors. Использование регулируется лицензией Meta Llama 2 Community License Agreement. Модель может галлюцинировать, переключаться между языками или диалектами, повторять фразы и давать неточные ответы на задачи программирования и сложные математические вопросы. Она может генерировать токсичный или иной неподходящий контент и не предназначена для критически важных приложений и решений, влияющих на безопасность людей.

Модель sentence-embeddings-xllora-xlmr-afr разработана для получения векторных представлений предложений на языке африкаанс. Она основана на XLM-R и дообучена методом XL-LoRA для обучения представлений предложений в условиях нехватки языковых ресурсов. Размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель предназначена для оценки семантического сходства, поиска предложений и кластеризации текстов на африкаанс. В исходной схеме представления объединяются скрытые состояния первого и последнего слоёв с равными весами, затем применяется усреднение по токенам. Для получения эмбеддингов можно также использовать стандартное усреднение по токенам, но результаты могут немного отличаться от опубликованных в статье. Обучение проводилось на синтетических наборах триплетов; лицензия — MIT.

NovaSky-AI/SWE-Gym-OpenHands-7B-Agent — текстовая генеративная модель от NovaSky-AI на архитектуре Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка Hugging Face автоматически сгенерирована и не описывает отдельно обучение или целевое применение модели; название репозитория указывает на связь с SWE-Gym и OpenHands, но назначение именно этой версии по карточке надёжно не подтверждено. Модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Её можно запускать через Transformers, vLLM и SGLang. Данных о поддерживаемых языках, лицензии, обучающих данных, оценке качества и известных ограничениях в использованных источниках нет.

rohit-vt/tink-reranker-phase1_minilm — текстовый cross-encoder, дообученный разработчиком на базе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Модель получает пару текстов и выдаёт оценку их релевантности, которую можно использовать для переранжирования поисковой выдачи и семантического поиска. Архитектура основана на BERT и реализована как BertForSequenceClassification с одним выходным значением. Размер модели — 25,9 млн параметров, максимальная длина входа — 512 токенов. По описанию обучающих данных модель настраивалась на сопоставление навыков и их релевантности; README приводит выборки из 10 246 обучающих и 1 416 оценочных примеров. Модель предназначена для текстовых пар и не принимает изображения или другие модальности. Оценки полезно ранжировать внутри набора кандидатов; качество на иных типах запросов и текстов может отличаться от качества на примерах о навыках. Лицензия в предоставленных данных не указана.

Это текстовая cross-encoder-модель rohit-vt, дообученная на основе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; обучающие примеры связаны с сопоставлением названий навыков и профессий. Модель построена на архитектуре BERT и содержит 25,9 млн параметров. Она принимает текстовые пары, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. В карточке не обозначены специальные требования к языку, поэтому подтверждённую поддержку конкретных языков установить нельзя. Модель подходит для ранжирования кандидатов по запросу, например при поиске похожих навыков. Её оценки обучены на конкретных данных сопоставления и могут хуже работать на иных типах текстов или языках. Лицензия в предоставленных данных не указана.

Tulu V2.5 DPO 13B StackExchange — англоязычная диалоговая модель-помощник от Allen Institute for AI. Она основана на Tulu 2 и дополнительно обучена методом DPO на 500 тысячах примеров из парного датасета StackExchange; архитектура — плотная Llama с 12,9 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста в ответ на инструкции и вопросы, в том числе для диалогов и ответов в стиле StackExchange. README рекомендует использовать предусмотренный шаблон чата с завершающим переводом строки. Модель доступна по лицензии Apache 2.0. Возможны небезопасные или проблемные ответы: модель не проходила настройку на безопасные завершения в RLHF и не использует фильтрацию ответов во время работы. Она ориентирована на английский язык.

Ultravox v0.7 GLM 4.6 — мультимодальная речевая языковая модель от Ultravox.ai. Она объединяет языковую модель GLM 4.6 с речевым энкодером whisper-large-v3-turbo: принимает речь и текстовый контекст, после чего формирует текстовый ответ. Модель предназначена для распознавания речи, понимания аудио, ответов на вопросы по аудиозаписям и перевода речи. В README сообщается о тестировании на BigBenchAudio, VoiceBench, CoVoST 2 и LibriSpeech; в частности, приведены результаты для аудио-рассуждений, речевого перевода и распознавания. Метаданные указывают архитектуру Ultravox и формат safetensors. Версия v0.7 построена на GLM 4.6; README также описывает обучение на смеси наборов для ASR, речевого перевода и аудио с шумом. Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и выдаёт текст. В карточке заявлена поддержка многозадачных сценариев работы с речью, однако точные ограничения по языкам и размеру контекста не приведены. Лицензия — MIT. README указывает, что использование собственных системных инструкций учитывалось при оценке; результаты тестов сами по себе не гарантируют качество на других данных.

momergul/userlm_sft_llama3_1_8B_instruct — чат-модель на архитектуре Llama, дообученная методом supervised fine-tuning с использованием TRL. Она предназначена для генерации ответов на пользовательские сообщения и диалогового общения; карточка показывает запуск через Transformers с задачей text-generation. В репозитории указано 7,5 млрд параметров, контекст до 131 072 токенов и веса в формате safetensors. Карточка не раскрывает набор обучения, языковой охват или результаты оценки качества, поэтому их нельзя уверенно охарактеризовать. Лицензия в предоставленных данных не указана.

WestSeverus-7B-DPO-v2 — языковая модель семейства WestLake, разработанная PetroGPT и дообученная методом DPO на основе WestSeverus-7B. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и формирует текстовые ответы; для диалога использует шаблон ChatML. Модель предназначена для генерации ответов и справочной помощи в базовой математике, химии, физике и программировании. В карточке приведены результаты тестов на общих языковых и программных бенчмарках, однако они не гарантируют точность ответов в практических задачах. Веса доступны в формате safetensors, лицензия — Apache-2.0.

alime-reranker-large-zh — модель-реранжировщик для оценки и переупорядочивания текстовых кандидатов по релевантности. Карточка называет её reranker; по метаданным это плотная модель XLM-RoBERTa с классификационной головой XLMRobertaForSequenceClassification на 658,7 млн параметров, предназначенная для классификации текста. Репозиторий содержит веса PyTorch. Модель может применяться для сортировки результатов поиска или документов по их соответствию запросу. Суффикс zh указывает на ориентацию на китайский язык, однако карточка не приводит подробностей об обучении, метриках или поддерживаемых языках. Родительская модель, лицензия и явные ограничения в доступных данных не указаны.