I.2Синтез, понимание и проверка знаний

GALACTICA 125M — компактная авторегрессионная модель семейства OPT, разработанная командой Papers with Code в Meta AI для работы с научными текстами и данными. Версия содержит около 151,6 млн параметров, использует архитектуру декодера Transformer и обучена на 106 млрд токенов научных публикаций, учебников, справочных материалов и других открытых научных источников. Контекст модели — до 2048 токенов. Модель предназначена для генерации научного текста и может применяться для ответов на научные вопросы, прогнозирования цитирований, математических рассуждений, суммаризации, создания документов, извлечения сущностей и предсказания свойств молекул. Она принимает и генерирует текст; заявленная область подготовки — наука, включая математику, биологию и химию. В README не перечислены языки корпуса, поэтому языковая поддержка отдельно не конкретизируется. Модель показала результаты на знаниях и научных задачах, однако может уверенно выдавать фактические ошибки, особенно по малоизвестным темам; прогнозирование цитат подвержено смещению популярности, также отмечены предвзятость и токсичность. Для использования в реальных системах нужны проверки и safeguards. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Gemma 3 270M Bhaskar Finetune — компактная текстовая модель на архитектуре Gemma 3, разработанная nagbhaskar55 путём полного дообучения Google Gemma 3 270M IT. Она предназначена для ответов на вопросы, опирающихся на переданный в запросе фрагмент текста, а также для суммаризации, извлечения сведений и переформулирования в юридическом и финансовом контекстах. Модель содержит 257 млн параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. Обучение проведено на 7 960 синтетических инструкционных примерах из материалов судебных дел США, документов SEC и образовательных текстов; в наборе есть ответы на вопросы по контексту, извлечение, суммаризация и переписывание. Карточка приводит снижение метрики bits per character относительно другой модели, дообученной на тех же данных, но эти результаты не гарантируют точность в реальном применении. Модель может выдавать фактически неверные числа и имена и упускать части составных вопросов. Она читает предоставленный фрагмент, но не является самостоятельной базой знаний; её ответы не заменяют юридическую или финансовую консультацию. Лицензия — Gemma Terms of Use с ограничениями на использование, которые необходимо передавать последующим пользователям.

Ayodele01/gemma-4-E4B-Gemini-3.1-Pro-Reasoning-Distill-GGUF — GGUF-квантизированные версии инструкционно дообученной модели Google Gemma-4 E4B с 4 млрд параметров. Модель доработана методом LoRA на наборах данных с примерами рассуждений, созданных на основе Gemini 3.1 Pro, чтобы улучшить способности к пошаговому reasoning и решению сложных задач. Модель ориентирована на генерацию текста и указана как англоязычная. Модель предназначена для локального запуска через llama.cpp и Ollama, включая задачи ответов на вопросы, логического вывода, решения математических и других требующих рассуждений запросов. Доступны варианты F16, Q8_0, Q5_K_M, Q4_K_M и Q3_K_M размером примерно от 4,6 до 15 ГБ; вариант Q5_K_M обозначен как сбалансированный и рекомендуемый. Заявлена поддержка контекста до 128K токенов, при этом в рекомендуемых настройках указана длина 8192 токена. Сильными сторонами модели являются компактный размер, возможность работы на локальных устройствах и специализация на reasoning-задачах. Качество и требования к памяти зависят от выбранного уровня квантизации: F16 обеспечивает наилучшее качество, а Q3_K_M подходит для наиболее ограниченных устройств, вероятно снижая точность. В README не приведены независимые результаты оценки, подробные сведения об архитектуре Gemma-4 или гарантии качества рассуждений. Модель распространяется по лицензии Gemma.

KoarAI/LFM2.5-350M-Thinking-0005 — компактная языковая модель для генерации текста и пошаговых рассуждений, разработанная KoarAI на основе архитектуры Liquid Neural Network семейства LFM2. Модель дообучена на смеси из 10 709 примеров рассуждений, созданных несколькими учительскими моделями, включая задачи по математике, русскоязычные цепочки рассуждений и калибровку ответов на вопросы, на которые нельзя ответить достоверно. В репозитории указано 350 млн параметров, а метаданные каталога фиксируют 443,4 млн параметров; заявленный контекст — до 128 000 токенов. Модель предназначена для диалоговых сценариев, решения математических и логических задач, объяснения выводов и более осторожных ответов при недостатке информации. README заявляет двуязычные возможности на русском и английском, а также эффективность для устройств с ограниченными ресурсами; приведённую в карточке скорость работы нельзя считать независимой оценкой производительности. Доступны веса в формате safetensors, а в связанном репозитории упомянуты варианты GGUF в FP16 и Q8_0. Лицензия — Apache-2.0.

LongAlign-7B-64k-base — базовая языковая модель семейства Llama, подготовленная командой проекта LongAlign на основе Llama-2-7B с расширенным контекстным окном до 64 тысяч токенов. Она предназначена для генерации текста и служит основой для выравнивания LLM под инструкции на длинном контексте. Проект LongAlign предлагает набор LongAlign-10k из 10 000 инструкций длиной 8–64 тысячи токенов, стратегии обучения с упаковкой примеров и сортировкой по длине, а также оценку LongBench-Chat для запросов длиной 10–100 тысяч токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и доступна в формате PyTorch для Transformers. В карточке указана поддержка английского и китайского языков. Лицензия — Apache-2.0. Это базовая модель с расширенным контекстом; README не утверждает, что именно этот вариант уже дообучен для диалогового следования инструкциям. Практическая длина контекста при использовании и качество на длинных запросах могут зависеть от конфигурации и сценария запуска.

MiniMax-M2.7 Legal REAP 0.35 — модель PLI Labs / Proprietary Legal Intelligence для генерации текста в юридических сценариях. Это разреженная mixture-of-experts модель семейства MiniMax M2.7 с 2,9 млрд параметров и контекстом до 204 800 токенов, созданная как кандидат для оценки pruning экспертов с калибровкой на юридических задачах. Модель предназначена для помощи юристам при подготовке и редактировании документов, синтезе правовой и фактической информации, суммаризации с опорой на источники и анализе, чувствительном к полноте материалов. Предусмотрены консервативный отказ или эскалация при неполной доказательной базе и локальная либо приватная оценка командами юристов. Это исследовательский кандидат для оценки, а не проверенная производственная система или средство самостоятельной юридической консультации. Публичные агрегированные результаты бенчмарков не опубликованы; выводы и цитаты требуют независимой проверки, а любое юридическое применение — контроля юриста. Лицензия указана как other.

NoticIA-7B — языковая модель на 7,1 млрд параметров, разработанная Икером Гарсия-Ферреро и Бегоньей Альтуной при поддержке SomosNLP, Hugging Face и HiTZ Zentroa. Это дообученная для следования инструкциям модель OpenChat на архитектуре Mistral, предназначенная прежде всего для создания кратких однофразовых резюме испанских новостных статей с кликбейтными заголовками. Модель помогает быстро получить суть статьи и ответить на любопытство, вызванное заголовком. Её также можно использовать для оценки испаноязычных языковых моделей и генерации синтетических учебных данных. Обучение проводилось на наборе NoticIA из 850 испанских новостных статей с написанными людьми резюме; контекст составляет 8192 токена. Модель лучше всего рассчитана на испанский язык Испании, а качество для новостей из Латинской Америки и других языков не гарантируется. Модель распространяется по лицензии Apache-2.0. Авторы запрещают использовать её для действий, способных навредить легитимности или экономической устойчивости профессиональных СМИ.

Amazon Nova Premier 1.0 — мультимодальная модель Amazon, предназначенная для решения сложных задач рассуждения. Её также позиционируют как модель-учителя для дистилляции пользовательских моделей. В метаданных каталога основная задача указана как image-text-to-text, то есть модель принимает изображения и текст и формирует текстовый ответ. Данных о размере модели, контекстном окне, поддерживаемых языках, лицензии и конкретной архитектуре в предоставленных источниках нет. README характеризует модель как наиболее способную мультимодальную модель Amazon для сложных рассуждений, но не приводит результатов оценки качества или подробностей применения.

Diamegs/PIT-4B-202212 — базовая предварительно обученная языковая модель семейства Point-In-Time GPT, разработанная Diamegs. Это декодерный Transformer для генерации текста; модель обучена на хронологически упорядоченных ежемесячных снимках FineWeb и отражает сведения, доступные до декабря 2022 года. Для диалогового следования инструкциям в README рекомендован отдельный вариант PIT-4B-FT. Модель предназначена для генерации текста и анализа, учитывающего момент времени: например, для изучения того, какие сведения были доступны на заданную дату. Она принимает текст и выдаёт продолжение текста. Контекст модели — 2048 токенов; веса хранятся в safetensors и используются через Transformers. Это базовая модель без RLHF и дополнительной настройки безопасности. Знания ограничены веб-текстами до декабря 2022 года, а ответы могут отражать предубеждения обучающих данных; для критически важных задач без дополнительного выравнивания модель не подходит. Лицензия — Apache-2.0.

Qwen3-0.6B Critical Interlocutor — дообученная методом supervised fine-tuning модель thealper2 на базе Qwen/Qwen3-0.6B. Она настроена вести многоходовой диалог в роли критического собеседника: проверять утверждения, указывать на спорные предпосылки и предлагать контраргументы. Модель содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые диалоги; заявленная длина контекста — 40 960 токенов. Обучение проводилось на синтетических диалогах набора moshaw/critical-interlocutor, преимущественно посвящённых интерпретации исторических утверждений. В небольшой оценке модель чаще оспаривала утверждения, когда это считалось уместным, чем базовая модель, однако проверка опиралась на 38 вручную составленных запросов и эвристики по ключевым словам. Веса опубликованы в формате safetensors в bfloat16. Лицензия модели — Apache-2.0; автор предупреждает, что лицензия обучающего набора обозначена как other, и рекомендует проверить её условия перед коммерческим использованием.

yuxuanw8/qwen3b-rlcr-hotpot-racpo-v1-checkpoint-210 — текстовая генеративная модель на базе семейства Qwen с 3,1 млрд параметров, доступная для использования через библиотеку Transformers. По названию репозитория это контрольная точка, связанная с RLCR и RACPO и ориентированная на сценарии HotpotQA или многошаговых ответов на вопросы, однако README не содержит подробностей о разработчике, обучении, оценивании и точной базовой архитектуре. Модель поддерживает контекст до 32 768 токенов и относится к задачам генерации текста.

QwQ-32B-MLX-4bit — это 4-битная MLX-квантизация модели рассуждений QwQ-32B, разработанной командой Qwen. Квантизацию подготовил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель относится к задачам генерации текста и ориентирована на сценарии, требующие пошагового рассуждения и решения сложных задач. Поддерживается контекст длиной до 128 000 токенов. В README не указаны точные сведения о поддерживаемых языках, модальностях и внутренней архитектуре, кроме принадлежности к линейке QwQ и размера исходной модели 32B. Ключевое преимущество этой версии — уменьшенный объём представления благодаря 4-битной квантизации, что делает запуск крупной модели более доступным на совместимых устройствах Apple Silicon. При этом квантизация может влиять на точность и качество по сравнению с исходной моделью. Модель может генерировать неточные, вредные или неподходящие ответы. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации исходной модели QwQ-32B и у правообладателя.

SLM 125M SFT Pilot 2K — причинная языковая модель на архитектуре Llama с 125,8 млн параметров, созданная посредством supervised fine-tuning модели thesreedath/slm-125m-base. Разработчик обучил её следовать инструкциям на 2 000 сгенерированных и проверенных примерах из судебных дел, документов SEC и набора FineWeb-Edu; контекст модели составляет 1 024 токена. Модель предназначена для экспериментов с ответами на вопросы по предоставленному контексту, извлечением данных в JSON, суммаризацией, переформулированием и сравнительным анализом в юридических и финансовых сценариях. Небольшой размер и обучение на профильных примерах делают её пригодной для изучения поведения компактных моделей при выполнении таких инструкций. Данных для обучения мало, поэтому качество следует оценивать отдельно; без контекста модель может галлюцинировать, а приведённая в карточке оценка perplexity основана на валидационной выборке и не заменяет широких внешних тестов. Модель не заменяет профессиональную юридическую, финансовую или комплаенс-консультацию. Лицензия — Apache-2.0.

Модель textattack/albert-base-v2-snli разработана с использованием TextAttack и представляет собой ALBERT-base-v2, дообученную для классификации последовательностей на датасете SNLI. Она предназначена для определения отношения между парой текстов в задаче естественного логического вывода: например, проверки, следует ли гипотеза из посылки, противоречит ей или не связана с ней. В карточке указаны пять эпох дообучения, максимальная длина входа 64 токена и точность 0,906 на проверочной выборке после второй эпохи. Архитектура — AlbertForSequenceClassification, число параметров — 136,3 млн; максимальный контекст по метаданным — 512 токенов. Модель принимает текст и выдаёт метку класса. В карточке не заявлена поддержка конкретных языков, поэтому набор поддерживаемых языков по имеющимся данным определить нельзя. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных не указаны.

soob3123/amoral-gemma3-4B-v2 — дообученная модель семейства Gemma 3 4B от автора репозитория soob3123, основанная на google/gemma-3-4b-it. Она предназначена для диалоговой генерации аналитически нейтральных ответов на чувствительные и спорные вопросы, с упором на фактическую точность, сдержанный тон и избегание оценочных формулировок. Архитектура — плотная Gemma 3; репозиторий содержит веса Safetensors, интерфейс рассчитан на чат. Модель поддерживает английский язык; базовая Gemma 3 также мультимодальна, однако в карточке этой версии заявлена только генерация текста. Модель может быть полезна для подготовки нейтральных объяснений и анализа противоречивых тем. Указанная лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; нейтральный стиль и заявленная фактическая точность не гарантируют беспристрастность или достоверность ответов.

yale-nlp/bart-large-finetuned-qtsumm — модель на архитектуре BART, разработанная командой Yale NLP: она инициализирована весами facebook/bart-large и дообучена на наборе QTSumm. Модель предназначена для суммаризации табличных данных с учётом пользовательского вопроса: она формирует краткое текстовое резюме, релевантное заданному запросу. Модель содержит 252,8 млн параметров, работает с текстовым вводом и выдаёт текст. Максимальная длина контекста — 1024 токена; в карточке указан английский язык. Репозиторий содержит веса PyTorch, лицензия — MIT. README отсылает к GitHub-репозиторию за подробностями использования.

Ruizhou/bert-base-uncased-finetuned-rte — модель классификации последовательностей на архитектуре BERT-base, дообученная для задачи Recognizing Textual Entailment (RTE). Она определяет, следует ли гипотеза из заданного текста, и предназначена для классификации пар предложений на английском языке. По метаданным, модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Базовая модель — google-bert/bert-base-uncased. Разработчик и лицензия для конкретной версии не подтверждены доступными источниками.

textattack/bert-base-uncased-MNLI — модель классификации пар предложений, опубликованная TextAttack. Она основана на BERT base uncased и дообучена для распознавания текстовых выводов (MNLI): по предпосылке и гипотезе предсказывает entailment, neutral или contradiction. Модель содержит около 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текстовые пары с контекстом до 512 токенов. Доступны веса PyTorch и Flax. Подходит для задач вывода на английском языке, включая классификацию отношения между предложениями и zero-shot классификацию через формулировку задачи как проверки гипотез. Это специализированный классификатор, а не генеративная модель; его метки и качество ограничены задачей и данными MNLI, поэтому он не предназначен для свободных ответов или надёжного понимания произвольных предметных областей. Условия лицензии в доступных сведениях не подтверждены.

CoT-T5-3B — англоязычная текстовая модель на архитектуре T5, разработанная KAIST AI на основе Flan-T5. Модель дообучена на 1,84 млн цепочек рассуждений для 1 060 задач из CoT Collection; размер в метаданных указан как 1,5 млрд параметров. Она предназначена для генерации ответов с пошаговыми рассуждениями, решения незнакомых задач в режиме zero-shot и адаптации к новым задачам посредством дополнительного дообучения на цепочках рассуждений. Модель принимает текст и генерирует текст; максимальный нативный контекст составляет 512 токенов. В README заявлено преимущество над Flan-T5 при использовании цепочек рассуждений. Репозиторий содержит веса PyTorch и предназначен для Transformers. Лицензия — Apache 2.0.

Модель Guysh1805/dictalm2-it-qa-fine-tune разработана Guy Shapira и представляет собой дообученную версию DictaLM 2.0 Instruct на базе Mistral. Она настроена на создание пар «вопрос — ответ» на иврите по синтетическим и существующим наборам вопросов и ответов, оформленным в виде инструкций. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Она предназначена для генерации ответов и вопросов в диалоговом формате; метаданные указывают библиотеку Transformers и формат safetensors. Указанная лицензия — Apache-2.0.

ml6team/distilbart-tos-summarizer-tosdr — модель абстрактивного суммирования условий использования сайтов и других документов T&C, разработанная командой ML6 и дообученная на данных TOSDR. Она предназначена для использования в конвейере, где предварительный этап LSA извлекает и сокращает исходный текст, а модель формирует итоговое краткое изложение. Модель построена на архитектуре BART и содержит 152,1 млн параметров. Она принимает текст и генерирует текстовое резюме; поддерживаемый язык — английский, максимальная длина контекста составляет 1024 токена. Модель основана на sshleifer/distilbart-cnn-6-6 и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

NotEvilAI/gpt-oss-20b-ru-reasoner — экспериментальная русскоязычная модель генерации текста с адаптивным рассуждением, созданная NotEvilAI на основе openai/gpt-oss-20b. Это дообученная MoE-модель для диалогов и задач, где полезно получать ответы с рассуждением на русском или английском языке; язык рассуждения выбирается по языку ответа без отдельной инструкции. Поддерживаются режимы reasoning_effort: low, medium, high, none и auto. Модель обучена в два этапа — SFT и DPO — на наборах данных NotEvilAI; в метаданных указаны 1,6 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса safetensors и рассчитан на Transformers. Модель подходит для экспериментального использования в русско- и англоязычных диалогах и задачах рассуждения. Карточка сообщает о тестировании русского и английского языков, поэтому качество на других языках не подтверждено. Лицензия — MIT.

GRM-2.6-Air-Opus — компактная текстовая модель OrionLLM, дообученная на базе LiquidAI/LFM2.5-1.2B-Thinking на трассах рассуждений в стиле Claude Opus. Она предназначена для генерации ответов с более структурированным рассуждением и решения сложных задач при ограниченных ресурсах, включая локальное и встроенное развёртывание. Модель относится к семейству LFM2, использует плотную архитектуру Lfm2ForCausalLM и содержит около 1,5 млрд параметров; нативная длина контекста — 128 000 токенов. Поддерживается диалоговый режим. README сообщает об обновлении шаблона чата для совместимости с вызовом инструментов. Модель рассчитана на лёгкое развёртывание и предлагает компактный вариант рассуждающей модели. Заявления об улучшении решения сложных задач приведены разработчиком; численные результаты бенчмарков в доступной карточке отсутствуют. Информация о лицензии в предоставленных данных отсутствует.

JGOS-31B-Think — корейская модель с акцентом на рассуждения, разработанная VIDRAFT. Это плотная модель семейства Gemma 4 с 31 млрд параметров, предназначенная для диалогов и задач с изображениями и текстом. В карточке заявлен пошаговый режим рассуждений; метаданные также указывают поддержку зрения. Модель можно развернуть через vLLM и OpenAI-совместимый API. Лицензия — Apache-2.0.

Huffon/klue-roberta-base-nli — модель классификации текста на основе RoBERTa, опубликованная пользователем Huffon на Hugging Face. Она предназначена для определения отношения между текстовыми фрагментами в задаче распознавания логического следования (NLI), в первую очередь для корейского языка; карточка рекомендует запуск через text-classification. Модель содержит 137,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке указан набор данных KLUE. Доступные сведения не уточняют метки классов, показатели качества или лицензию.

Llama-OpenReviewer-8B — специализированная языковая модель, разработанная для автоматической подготовки критических рецензий на статьи по машинному обучению и искусственному интеллекту для конференций. Модель создана дообучением Meta-Llama-3.1-8B-Instruct на примерно 79 тысячах экспертных рецензий из OpenReview, включая материалы ICLR и NeurIPS. Она содержит около 7,5 млрд параметров и использует архитектуру Llama с плотной языковой моделью; для работы заявлен контекст до 131 072 токенов. Модель принимает текст статьи и генерирует рецензию на английском языке: краткое изложение вклада, сильные и слабые стороны, аргументы за рекомендацию принять или отклонить работу, вопросы авторам и предложения по улучшению. Она предназначена для поддержки рецензирования научных работ в области ИИ и ML, а не для самостоятельной замены экспертной оценки. Возможны ошибки в оценке доказательств и научной корректности; рекомендации следует проверять по самой статье и связанным работам. Использование регулируется лицензией Llama 3.1, её условиями и политикой допустимого использования Meta; при применении в официальном рецензировании разработчики просят раскрывать использование модели.

LongAlign-6B-64k-base — базовая языковая модель семейства ChatGLM, разработанная авторами проекта LongAlign на основе ChatGLM3-6B. Для неё расширено контекстное окно до 64k токенов; модель предназначена как основа для дальнейшего обучения и работы с длинными последовательностями. Проект LongAlign исследует обучение LLM для длинного контекста и предлагает данные длинных инструкций, стратегии упаковки последовательностей и оценки следования инструкциям на длинном контексте. Модель принимает текст и генерирует текст. В README указана базовая версия на 6B параметров, а метаданные репозитория сообщают 7,8B параметров и контекст до 65 536 токенов. Карточка и метаданные указывают английский и китайский языки. Репозиторий использует PyTorch и Transformers; лицензия — Apache-2.0. Это базовая модель, а не описанная в README чат-версия LongAlign-6B-64k, поэтому её пригодность для следования инструкциям напрямую не установлена.

Модель RMWeerasinghe/long-t5-tglobal-base-finetuned-govReport-4096 — дообученная версия LongT5 от Google Research, созданная для суммаризации отчётов правительства США на датасете gov_report_summarization_dataset. Это encoder-decoder Transformer с 123,8 млн параметров и контекстом до 4096 токенов; модель принимает текст и генерирует его краткое изложение на английском языке. Модель подходит для получения кратких сводок длинных правительственных отчётов и других текстов сходного типа. В README приведены результаты оценки: Loss 1,4052, ROUGE-1 0,0432, ROUGE-2 0,0217, ROUGE-L 0,0378 и ROUGE-Lsum 0,0408. Лицензия — Apache-2.0.

ccdv/lsg-bart-base-4096-pubmed — англоязычная модель для суммаризации научных публикаций из набора PubMed. Это дообученная на scientific_papers версия ccdv/lsg-bart-base-4096, основанная на BART-base и использующая архитектуру Local-Sparse-Global attention для работы с длинными последовательностями. В README указано около 145 млн параметров, а метаданные каталога приводят 95,2 млн; контекст составляет до 4096 токенов. Модель принимает текст статьи и генерирует её краткое изложение. На тестовом наборе PubMed для конфигураций с длиной 4096 токенов приведены значения ROUGE-1 до 47,37, ROUGE-2 до 21,74 и ROUGE-L до 28,59. README отмечает требование Transformers версии 4.36.1 или выше и использования trust_remote_code=True для пользовательского файла моделирования. Лицензия в предоставленных данных не указана.

MiniCPM-V-4.6-Thinking-abliterated-MAX — мультимодальная модель для диалога и рассуждений по изображениям, видео и тексту, опубликованная prithivMLmods. Это производная от openbmb/MiniCPM-V-4.6-Thinking версия, переупакованная с обновлённым разбиением весов и улучшенной совместимостью с новыми версиями Transformers; заявлено сохранение исходных возможностей рассуждения. В основе архитектуры — визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B; базовая модель описана как имеющая 1,3 млрд параметров и контекст до 262 тысяч токенов. Модель предназначена для вопросов по изображениям и видео, мультимодального анализа и структурированных рассуждений, а также локального запуска и экспериментов на потребительском оборудовании. В карточке указаны английский язык и возможности диалога и компьютерного зрения. Метки abliterated и refusal-ablated указывают на изменение отказного поведения. Лицензия — Apache-2.0. Модель может ошибаться в пошаговых рассуждениях; результаты следует проверять перед использованием в критических сценариях. Качество зависит от входных данных и сложности задачи, а обработка изображений высокого разрешения может требовать значительных вычислительных ресурсов.