I.2Синтез, понимание и проверка знаний

Med-LLaMA3.2-3B Medical — медицинская языковая модель Mohamed Ahmed, созданная дообучением Llama 3.2 3B Instruct методом QLoRA с последующим объединением LoRA-весов с базовой моделью. Это самостоятельный чекпойнт для Transformers с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для ответов на медицинские вопросы, поиска клинических знаний и вспомогательной поддержки клинических решений. Она обучалась на медицинских инструкциях, вопросах с вариантами ответа, научной литературе и диалогах с пациентами. Основной язык — английский; качество на других языках не оценивалось. Формат репозитория — safetensors, лицензия — Llama 3.2. Размер 3B предлагает компромисс между вычислительными требованиями и возможностями модели. Она может уверенно формулировать ошибочную медицинскую информацию, испытывает трудности с неоднозначными сокращениями и может отражать смещения обучающих данных. Это не медицинское устройство; результаты требуют проверки квалифицированным специалистом, а модель не предназначена для самостоятельной диагностики, назначения лечения или принятия решений о помощи пациенту.

vhab10/Llama-3.2-3B-legalQA-merged-16bit — дообученная разговорная языковая модель на архитектуре Llama 3.2 с 3,2 млрд параметров. Разработчик — vhab10; базовая модель — unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель предназначена для генерации текста в формате диалога и ответов на вопросы по юридической тематике. Модель принимает текст и выдаёт текст. В метаданных указан контекст до 131072 токенов и английский язык. Весовой формат — safetensors; заявлена лицензия Apache-2.0. Карточка сообщает о дообучении с использованием Unsloth и TRL, но не приводит подробностей обучающих данных или результатов оценки.

NOT-OMEGA/llama-3.2-3b-reasoning-merged — диалоговая текстовая модель на архитектуре Llama 3.2 с 3,2 млрд параметров, созданная дообучением unsloth/Llama-3.2-3B-Instruct. Разработчик сообщает, что модель дообучена с помощью QLoRA в 4-битном режиме на выборке из датасета ServiceNow-AI/R1-Distill-SFT; карточка приводит примеры решения математических задач с пошаговыми рассуждениями. Модель предназначена для генерации ответов в диалоге и решения задач, где полезно последовательное рассуждение, в частности математических задач. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. README описывает небольшую обучающую выборку и 100 шагов оптимизации, поэтому качество и надёжность ответов могут быть непостоянными, а приведённые в карточке примеры содержат ошибочные рассуждения. Лицензия — Llama 3.2; условия использования определяются её лицензией.

Модель AdamKasumovic/llama3-70b-instruct-mmlu-college-medicine-af-mmlu-good — дообученная разговорная языковая модель на архитектуре Llama 3. Она создана на основе unsloth/llama-3-70b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогов; название указывает на настройку для вопросов по медицине на уровне университетского курса, однако README не описывает её специализацию и качество на этих задачах. Модель содержит 69,5 млрд параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. Указана лицензия Apache-2.0. Карточка не приводит результатов оценки, поэтому качество ответов по медицине и надёжность фактической информации по ней не подтверждены.

aialt/LLaMA3-MI — плотная авторегрессионная языковая модель семейства Llama 3, предназначенная для генерации текста в диалоговом формате. В README репозиторий связан со статьёй MedINST: Meta Dataset of Biomedical Instructions, что указывает на применение модели к выполнению биомедицинских инструкций. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий использует формат safetensors; в метаданных указаны поддержка чата и лицензия Llama 3. Карточка не раскрывает подробности обучения и результаты оценки качества, поэтому точный охват биомедицинских задач и надёжность ответов по ней определить нельзя.

Cas-Warehouse/Llama-3-Mopeyfied-Psychology-8B — объединённая языковая модель семейства Llama 3, созданная с помощью mergekit из трёх чекпойнтов. При объединении task arithmetic в качестве базовой использована Casual-Autopsy/Llama-3-Psychology-LoRA-Stock-8B с весом 0,6; также включены Casual-Autopsy/Llama-3-MopeyMule-Blackroot-8B и Casual-Autopsy/Llama-3-SOVL-MopeyMule-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM, распространяется в формате safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; название и состав указывают на психологическую тематику, однако карточка не описывает конкретные навыки, качество или проверенные сценарии психологической помощи. Она принимает текст и генерирует текст. В карточке не указаны лицензия и поддерживаемые естественные языки, поэтому условия использования и языковые возможности по этим данным определить нельзя.

Llama3-Preferred-MedSwallow-70B — медицинская языковая модель на архитектуре Llama 3, разработанная на основе tokyotech-llm/Llama-3-Swallow-70B-v0.1. Модель размером 69,5 млрд параметров прошла дополнительное предобучение на авторском корпусе медицинских текстов и дообучение для предпочтительных ответов. Она предназначена для генерации текста и ответов на медицинские вопросы, в частности для решения экзаменационных заданий на японском языке. В оценке IgakuQA за 2018–2022 годы средний результат составил 395,2 балла. Модель принимает текст и генерирует текст, поддерживает японский и английский языки и имеет контекстное окно 8192 токена. Выпущена по лицензии META LLAMA 3 COMMUNITY LICENSE. Авторы указывают, что модель предназначена для исследований и не подходит для клинической диагностики; пользователи отвечают за соблюдение применимых правил и требований.

mesolitica/llama-7b-hf-32768-fpf — плотная авторегрессионная языковая модель семейства Llama, дообученная методом полного обновления параметров на малайском тексте. Модель содержит 6,6 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации продолжений текста на малайском языке и сценариев, где полезна обработка длинного контекста. В метаданных указаны задача text-generation и формат safetensors. Карточка связывает модель с Llama 2, однако идентификатор базовой модели не приведён. Лицензия в предоставленных данных не указана. Модель опубликована в сентябре 2023 года; сведений о качестве и конкретных ограничениях, кроме её языковой специализации и контекста, в карточке нет.

LLaVA-LCS558K-ScienceQA-Vicuna-13B-v1.3 — мультимодальная чат-модель проекта LLaVA, дообученная на основе LLaMA/Vicuna для следования инструкциям с изображениями и текстом. Это авторегрессионная трансформерная модель с архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; контекст составляет 2048 токенов. Модель обучена в августе 2023 года. Модель предназначена для исследовательских экспериментов и прототипов визуального диалога, описания изображений и ответов на вопросы по ним, включая задачи научного рассуждения ScienceQA. В обучении использованы 558 тысяч фильтрованных пар изображение–текст из LAION/CC/SBU с подписями BLIP и обучающая часть ScienceQA. В карточке описана предварительная оценка визуального рассуждения и результатов на ScienceQA. Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. Лицензия в предоставленных данных не указана, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.

ikedachin выпустил экспериментальную японскую диалоговую модель для генерации текста и ответов на вопросы о стандартном японском языке и диалекте Имабари. Это плотная причинная языковая модель семейства Llama на 7,8 млрд параметров с контекстом до 65 536 токенов; веса хранятся в формате Safetensors. Модель получена дополнительным обучением GRPO с LoRA на основе ikedachin/llm-jp-4-8b-thinking_imabari_qa_v4_reasoning_effort_v4, после чего веса адаптера были объединены с базовой моделью. В обучении использовался набор вопросов ikedachin/imabari_wiki_rl_v3; доступны режимы усилия рассуждения low, medium и high. Модель предназначена для диалоговых ответов и рассуждений на японском языке, в том числе с использованием диалекта Имабари. Награда при GRPO учитывала формат ответа и повторы, но не проверяла фактическую точность, релевантность или естественность диалекта. Авторы не подтвердили общего улучшения относительно v4: повторы, ошибки ответа и нарушения формата всё ещё возможны, а ответы с высоким уровнем усилия могут быть длинными. В метаданных указана лицензия other; README сообщает, что базовая модель распространяется по Apache License 2.0, а условия для обучающих данных приведены отдельно в разделе License.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_15 — модель текстовой классификации, опубликованная пользователем Jeevesh8 на Hugging Face. Она доступна для использования через Transformers как AutoModelForSequenceClassification и относится к семейству BERT. По идентификатору модель основана на bert-base-uncased, обучена для задачи QQP и рассчитана на последовательности длиной 128 токенов. Она предназначена для классификации текстовых входов, вероятно связанных с определением эквивалентности пар вопросов в наборе Quora Question Pairs, однако точные классы, метрики, языки, размер и детали обучения не указаны. Сильной стороной является совместимость с экосистемой Hugging Face Transformers и готовность к применению в задачах текстовой классификации. Ограничения — отсутствие model card, подробной документации, опубликованных метрик и сведений о поведении вне целевой задачи; модель не развернута через Inference Providers. Лицензия на странице модели не указана.

malaysian-mistral-7b-32k-instructions-v4 — дообученная Mesolitica модель для диалоговых ответов на инструкции, в том числе на малайском языке. Это плотная причинная языковая модель Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и шаблоном чата Mistral Instruct. В качестве примера показан ответ на малайском языке о пенсионном фонде KWSP. Модель предназначена для генерации текста по инструкциям и демонстрирует дообучение Mistral на наборе инструкций, связанных с Малайзией. В карточке автор характеризует её как быструю демонстрацию возможностей дообучения, поэтому качество ответов для широкого круга задач не гарантировано. Указано, что механизмы модерации минимальны. Файлы представлены в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

gywy/mamba-1.3b-chinese-chat-v0.1 — китайская чат-модель семейства Mamba, разработанная автором репозитория gywy. По README, модель получена увеличением 765M-модели до 1.3B параметров по схеме, названной автором «Solar», и расширением до 82 слоёв; предобучение проводилось преимущественно на качественных китайских книгах. Метаданные указывают архитектуру MambaForCausalLM, 1,6 млрд параметров, формат safetensors и поддержку диалогового применения. Модель предназначена для генерации текста в китайском диалоге: ответы на вопросы, ведение беседы и создание текста по запросу. Карточка сообщает об улучшении производительности после увеличения модели, но не приводит сравнительных оценок или подробных результатов. Лицензия в доступных данных не указана.

MahaGemma-2B — языковая модель семейства Gemma, разработанная в рамках инициативы MahaNLP. Модель с 2,5 млрд параметров создана на основе google/gemma-2b и дообучена с помощью LoRA на переведённых наборах данных на маратхи. Она предназначена для генерации ответов на инструкции и вопросы на маратхи; в карточке приведён формат запроса с разделами Instruction, Input и Response. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия — CC BY 4.0. Карточка содержит мало сведений об оценке качества и составе обучающих данных, поэтому возможности за пределами генерации текста на маратхи не подтверждены.

Buseak/md_mt5_base_boun_split_first_v2 — дообученная модель Buseak на базе google/mt5-small, построенная на архитектуре mT5 и содержащая 157,4 млн параметров. Она предназначена для преобразования текста в текст; конкретная прикладная задача и обучающие данные в карточке не раскрыты. В README приведены результаты оценки: loss 0,4874, BLEU 0,5931 и средняя длина генерации 18,7836 токена. Модель использует формат safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает целевые языки, контекстное окно, условия эксплуатации или ограничения качества, поэтому специализацию и языковое покрытие определить нельзя.

Arjun24420/Medical-quantized-gemma-2b — модель генерации текста на архитектуре Gemma, опубликованная как конверсия в формат MLX модели mlx-community/quantized-gemma-2b с помощью mlx-lm 0.14.3. Репозиторий содержит веса safetensors; размер модели — 2,5 млрд параметров, длина контекста — до 8192 токенов. Название указывает на медицинскую специализацию, однако README не описывает медицинские возможности или сценарии обучения. Модель можно использовать для генерации текста в среде MLX; язык и качество медицинских ответов в карточке не подтверждены. Лицензия указана как other, без уточнения её условий в доступных данных.

Meditron 70B — крупная языковая модель для медицинских задач, разработанная командой EPFL LLM Team. Репозиторий TheBloke/meditron-70B-GGUF содержит её квантизированные версии в формате GGUF, подготовленные TheBloke; исходная модель доступна как epfl-llm/meditron-70b. Модель предназначена для генерации текста и сценариев, связанных с медициной и здравоохранением, включая ответы на вопросы и работу с медицинскими знаниями. При обучении использовались наборы bigbio/med_qa, medmcqa, bigbio/pubmed_qa и epfl-llm/guidelines. Указан английский язык, архитектура Llama и размер 70B параметров. Поддерживаются варианты квантования от 2 до 8 бит, что позволяет запускать модель на CPU и GPU с различными компромиссами между потреблением памяти, скоростью и качеством. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек. К сильным сторонам относятся специализация на медицинской тематике, большой размер и возможность локального запуска благодаря квантованию. Ограничения README не раскрывает подробно: не указаны размер контекста и результаты конкретных бенчмарков, а медицинские ответы требуют независимой проверки и не должны использоваться как единственное основание для клинических решений. Лицензия указана как Llama 2.

treadon/MiniCPM-V-4.6-Abliterated-AND-Disinhibited — исследовательский вариант мультимодальной модели MiniCPM-V 4.6, созданный автором treadon на основе openbmb/MiniCPM-V-4.6. Модель предназначена для сценариев image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также для экспериментов с изменением поведения языковых моделей. В модели последовательно удалены направление нейтральности и склонности к оговоркам (disinhibition), а затем направление отказов (abliteration). Изменения затрагивают только языковую основу Qwen3.5 внутри MiniCPM-V 4.6; башня компьютерного зрения в стиле SigLIP2 оставлена без изменений. Использованы веса BF16, вычисления проекций в FP32, дообучение не проводилось. Точные размеры модели, поддерживаемые языки и максимальная длина контекста в карточке не указаны. Для локального запуска доступна сборка GGUF Q4_K_M с отдельным визуальным проектором F16. Сильная сторона модели — значительно меньшая склонность уклоняться от ответов на спорные, но допустимые вопросы и почти полное снижение отказов на вредоносные запросы по представленным оценкам. Одновременно это является существенным ограничением: модель демонстрирует сниженную эпистемическую осторожность и может отвечать на опасные запросы, поэтому она не позиционируется как продуктовая модель и требует особенно строгого контроля безопасности. Модель распространяется по лицензии Apache-2.0.

Это исследовательский чекпойнт NBPO, дообученный командой promotion на Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и рассчитана на генерацию текста в диалоговом формате; максимальная длина контекста — 32 768 токенов. Она обучалась на WildChecklists в рамках протокола PROSPER: для каждого запроса использовались пункты чек-листа и оценки ответов по отдельным пунктам, а веса предпочтений подбирались отдельно для каждого запроса. Модель предназначена для изучения влияния способа агрегирования предпочтений на качество ответов и для экспериментального сравнения с вариантами PROSPER и Fixed-reference Nash. В README приведены результаты сравнительной оценки на Arena-Hard и AlpacaEval, но авторы предупреждают, что применённый локальный судья отличается от судей официальных лидербордов, а различия между вариантами в целом статистически не установлены. Лицензия в предоставленных данных не указана.

NEXUS-Medical — компактная языковая модель FableForge для медицинских вопросов и клинических рассуждений. Она основана на Qwen/Qwen2.5-1.5B-Instruct и использует архитектуру Qwen2 для генерации текста; размер составляет 1,5 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, модель поддерживает диалоговый режим. Модель предназначена для ответов на медицинские вопросы и рассуждений по клиническим сценариям. В README приведены результаты внутренней оценки на 30 запросах, включая медицинские знания, рассуждения и использование инструментов; эти результаты не заменяют независимую клиническую проверку. Заявленная лицензия — Apache-2.0. Модель не следует считать заменой профессиональной медицинской консультации.

Это дообученная на базе GPT-2 модель fpadovani, созданная с использованием TRL. Она предназначена для генерации текста: в карточке приведён пример ответа на открытый вопрос в диалоговом формате. Архитектура — GPT-2 с плотными слоями; размер контекста составляет 512 токенов. Модель работает с текстовым вводом и выдаёт текст. В README указана базовая модель fpadovani/nld-latn-100mb-ppt-shuff-dyck-10mb_seed455. В метаданных отмечены нидерландский язык и 100 МБ в названии базовой модели; отдельный размер параметров карточка не сообщает. Использование предполагает библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели CompassioninMachineLearning/Olmo-3-7b-intermediate-epoch-1-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Olmo7b-urban-olmo-20260920-full-CPT-merged-epoch-1, поэтому описание составлено по ней. Olmo7b-urban-olmo-20260920-full-CPT-merged-epoch-1 — плотная авторегрессионная языковая модель семейства OLMo 3, созданная BrandonHowe на базе allenai/Olmo-3-1025-7B. Это самостоятельный BF16-чекпойнт после продолжения предобучения на корпусе urban_12738_cleaned: в README указаны 10 072 уникальных документа, повторные предъявления части данных и 200 документов для валидации. Модель содержит 6,9 млрд параметров, принимает текст и имеет контекст до 65 536 токенов. Модель предназначена для генерации текста и экспериментов с продолжением предобучения на городских текстах. Веса объединены и сохранены без потерь в формате Safetensors, адаптер для загрузки не требуется. README отдельно предупреждает, что обучение само по себе не подтверждает улучшение способности к состраданию; качество и нужные поведенческие свойства следует оценивать отдельно. Сведения о лицензии в предоставленных данных отсутствуют.

OPT_GaMS-1B-Chat — словеноязычная чат-модель семейства GaMS, разработанная исследовательской командой факультета компьютерных и информационных наук Университета Любляны совместно с XLAB.doo. Модель основана на Facebook OPT, использует исходный токенизатор OPT и дообучена на следование инструкциям; архитектура — плотная авторегрессионная OPTForCausalLM с 1,7 млрд параметров и контекстом до 2048 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций на словенском языке, а также для адаптации к специализированным задачам. Дополнительное предобучение включало словенские, английские и хорватско-боснийско-сербские корпуса, но разработчики не рекомендуют использовать модель на языках, кроме словенского. В опубликованных оценках модель проверялась на словенских бенчмарках SuperGLUE, SI-NLI и Slovenian-LLM-eval. Это небольшая модель без настройки безопасности; разработчики настоятельно не рекомендуют применять её как универсальную модель и предупреждают о возможных смещениях. Лицензия — Apache 2.0.

Карточка модели llm-jp/optimal-sparsity-code-d1024-E8-k8-1.1B-A1.1B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d2048-E8-k4-3.9B-A2.3B на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-code-d512-E8-k4-320M-A220M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d1024-E128-k4-13.2B-A670M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

Карточка модели llm-jp/optimal-sparsity-math-d512-E32-k2-920M-A170M на Hugging Face совпадает с карточкой llm-jp/optimal-sparsity-math-d2048-E8-k8-3.9B-A3.9B, поэтому описание составлено по ней. Это экспериментальный чекпойнт из работы «Optimal Sparsity of Mixture-of-Experts Language Models for Reasoning Tasks». Модель разработана авторами исследования; репозиторий содержит чекпойнты для изучения влияния разреженности MoE-моделей на задачи рассуждения. Архитектура — MixtralForCausalLM с механизмом mixture-of-experts; в метаданных указано 875 млн параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с рассуждениями на языковых задачах. Она распространяется в формате safetensors под лицензией Apache-2.0. README не уточняет языковой состав, конкретные результаты оценки или практические ограничения качества.

OTel-LLM-24B-IT — англоязычная языковая модель для генерации ответов по телекоммуникационной тематике, разработанная в рамках инициативы OTel Family of Models. Это полно-параметрическая дообученная версия LiquidAI/LFM2-24B-A2B с архитектурой MoE; в метаданных указаны 3,4 млрд параметров и контекст до 128 000 токенов. Модель предназначена для генерации ответов, обоснованных найденными фрагментами документов, в системах Retrieval-Augmented Generation (RAG), использующих материалы по стандартам, сетям и отраслевым телекоммуникационным темам. По оценке на отложенной выборке OTel-LLM точность ответов с учётом контекста составила 79,5% ± 0,6 против 75,0% у базовой модели. Результат относится к заданной оценочной процедуре и не гарантирует аналогичного качества на внешних данных. Модель не оптимизирована для ответов на телекоммуникационные вопросы без предоставленного контекста; качество зависит от поиска, ранжирования и промпта. Она ориентирована на английский язык и текстовые сценарии. Лицензия модели — Apache-2.0; при использовании также необходимо учитывать лицензию или условия базовой модели.

PatriSBERT — модель Sentence-BERT на базе RoBERTa, дообученная для семантического сравнения латинских текстов патристики и Вульгаты. Её разработчик — TdelaSelle. Модель предназначена для выявления и измерения текстовых заимствований между раннехристианскими произведениями и библейскими текстами. Модель содержит 153,2 млн параметров, принимает текст и выдаёт эмбеддинги, пригодные для оценки сходства предложений. Она обучалась с помощью triplet fine-tuning на наборе латинских триплетов библейских заимствований; основой послужила PatriSBERT-NLI, построенная на PatriBERT, предварительно обученной на латинских патристических текстах. Максимальная длина контекста — 514 токенов. PatriSBERT подходит для поиска параллельных фрагментов и анализа повторного использования библейского текста в раннехристианской литературе. В карточке приведены результаты оценки на отложенной тестовой выборке. Лицензия — CC BY 4.0.