I.2Синтез, понимание и проверка знаний

Llama3.1-Aloe-Beta-70B — медицинская языковая модель HPAI, дообученная на базе meta-llama/Llama-3.1-70B. Это авторегрессионный трансформер с 69,5 млрд параметров и контекстом до 131 072 токенов. Aloe Beta обучена на 1,8 млрд токенов для 20 медицинских задач, включая ответы на вопросы, объяснение медицинских тем, суммаризацию, классификацию, диагностику и рекомендации по лечению. В обучающую выборку также вошли общие данные и примеры для освоения вызова функций. Модель предназначена для исследовательских и информационных сценариев в здравоохранении, например для ответов на медицинские вопросы и работы в составе RAG-системы. Карточка заявляет английский язык; другие языки формально не оценивались. Модель может выдавать токсичный контент и воспроизводить нежелательные предубеждения, а её ответы могут быть ошибочными. Разработчик запрещает использовать её для клинической практики, диагностики и прямых или косвенных медицинских советов. Изменения Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования и исследований; базовая модель выпущена по лицензии Meta Llama 3.

BAJUKA разработал LLaVA-llama32-3b-Tfull-s42-s2b как текстовую ветвь контролируемого эксперимента по сравнению языкового и визуально-языкового обучения на базе LLaVA-NeXT. Это дообученная плотная модель семейства Llama с архитектурой LlavaLlamaForCausalLM и 3,2 млрд параметров; этап S2b продолжает обучение с чекпойнта S2a на инструктивных данных. В этой ветви использовались те же текстовые примеры и порядок, что и в визуально-языковой ветви, но изображения удалялись, поэтому модель предназначена для генерации текста и диалогов, а не для обработки изображений. Контекст составляет до 131 072 токенов. Модель подходит для экспериментального изучения влияния визуально-языкового обучения и для текстовых инструктивных запросов. В обучающем прогоне завершена одна эпоха; карточка приводит снижение loss с 0,899 до 0,684. Это промежуточный исследовательский артефакт, не отобранный как лучший чекпойнт и не заявленный как настроенный или выровненный по безопасности релиз. Для загрузки требуется реализация LlavaLlamaForCausalLM из репозитория LLaVA-NeXT, которая не входит в Transformers. Применяются лицензия Llama 3.2 и ограничения базовой модели Meta Llama 3.2 3B Instruct.

LLaVA-NeXT-Video-7B-32K — открытый мультимодальный чат-бот lmms-lab, созданный дообучением языковой модели Mistral на данных для следования инструкциям с изображениями и видео. Модель предназначена для диалога по видеоматериалам: она принимает видео и текстовые запросы, чтобы отвечать на вопросы и описывать содержание роликов. Также поддерживает задачи визуального вопросно-ответного взаимодействия. Модель имеет плотную архитектуру LLaVA-Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Базовая языковая модель — mistralai/Mistral-7B-Instruct-v0.2. Для обучения использовались наборы инструкций по изображениям и видео, включая VideoChatGPT-Instruct. Выпущена в формате Safetensors под лицензией Apache-2.0. Карточка позиционирует модель прежде всего для исследований и экспериментов с мультимодальными чат-ботами. Её ответы могут быть неточными, а качество для конкретных типов видео и запросов следует проверять отдельно.

dbourget/philai-embeddings-2.0 — модель Sentence Transformer на архитектуре BERT, разработанная для представления философских текстов в виде плотных векторов. Она принимает предложения и абзацы и кодирует их в векторы размерностью 1024 для вычисления семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель обучалась на открытых философских текстах: сначала использовалась предобученная bert-base-uncased, затем обучение TSDAE и дообучение на наборах philsim и beatai-philosophy с целью косинусного сходства. Максимальная длина входа — 512 токенов; для оценки сходства применяется косинусная близость. Карточка приводит результаты оценки на beatai-dev, включая точность 0,8081 по косинусному сходству. Модель ориентирована на философские тексты и может хуже работать на других тематиках. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Piccolo-math-2x7b — языковая модель автора macadeliccc для генерации текста и решения математических и логических задач. В карточке приведены результаты тестирования на AGIEval, GPT4All, TruthfulQA, Bigbench и Open LLM Leaderboard; формат промпта указан как Mistral. Метаданные описывают архитектуру как Mixtral MoE на базе causal language model, указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель может подойти для генерации ответов, решения учебных задач и тестирования рассуждений на английском языке. Опубликованные оценки показывают результаты на наборах с вопросами и заданиями, но не гарантируют точность в конкретном приложении. Модель распространяется по лицензии MIT.

PIT-4B-201312 — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs, построенная на декодерном Transformer в стиле GPT. Она обучена на хронологически упорядоченных снимках FineWeb и отражает сведения, доступные до декабря 2013 года. Это вариант без дообучения на инструкции; для диалогового следования инструкциям автор предлагает соответствующий чекпойнт PIT-4B-FT. Модель предназначена для генерации текста и анализа, учитывающего временной срез: например, для изучения того, что могло быть известно на заданную дату. Она принимает текст и выдаёт текст. Контекст ограничен 2048 токенами, поддерживаемый язык — английский. Веса доступны в формате safetensors; для работы указаны Transformers и PyTorch. Лицензия — Apache-2.0. Знания модели ограничены веб-текстами, доступными до декабря 2013 года. Модель не проходила RLHF или настройку безопасности и может воспроизводить смещения обучающих данных; для критически важных применений без дополнительного выравнивания она не предназначена.

abhishekai/slm-500m-legal-dpo — англоязычная плотная Llama-модель на 517,7 млн параметров для ответов на вопросы по предоставленным юридическим и финансовым текстам. Её разработчик дообучил модель abhishekai/slm-500m-legal-sft методом DPO с обратной связью, сгенерированной ИИ (RLAIF); доступны веса в формате safetensors, для работы используется библиотека Transformers. Контекст — 1024 токена. Модель предназначена для диалоговых ответов на grounded-вопросы по исходным материалам. В сравнении с SFT-версией парное предпочтение не показало статистически значимого отличия от паритета; отдельная оценка на 300 запросах дала средний балл 5,08 из 10 и улучшение относительно SFT в рамках этого теста. Рекомендуется использовать только с предоставленным контекстом и жадной генерацией либо низкой температурой. Ограничения включают ненадёжность арифметики, синтетические обучающие данные и отсутствие оснований считать ответы юридической или финансовой консультацией. Метки предпочтений созданы LLM-судьёй и могут наследовать её смещения; широкое бенчмарк-тестирование не проводилось. Лицензия — Apache-2.0.

ngqtrung/video-8b-grpo-twowave-gs140 — дообученная модель Qwen/Qwen3-VL-8B-Instruct, опубликованная ngqtrung. Это мультимодальный чекпойнт для ответов на вопросы с вариантами ответа по видео; обучение проведено методом GRPO с двухволновым token dropout для исследования во время RLVR. В README описаны результаты на наборе из 5 645 примеров и сравнение с базовой моделью, включая VideoMME, Video-Holmes и PerceptionComp. Модель принимает видео и текстовые вопросы, а выдаёт текстовые ответы. В карточке указаны архитектура Qwen3-VL с 8 млрд параметров у базовой модели, формат safetensors и библиотека Transformers. Модель создана для видео- QA на английском языке; в README не приведены сведения о поддержке других языков. Лицензия — Apache-2.0.

VideoLLaMA2-7B-16F — диалоговая мультимодальная модель для понимания видео, разработанная командой DAMO-NLP-SG. Она сочетает визуальный энкодер CLIP ViT-Large/14 с разрешением 336 и языковой декодер Mistral-7B-Instruct-v0.2; версия 16F использует 16 кадров при обучении. Модель предназначена для ответов на вопросы о содержании видео и диалоговых сценариев с видео. В карточке указаны 7,1 млрд параметров и контекст 32 768 токенов. Метаданные заявляют английский язык и задачи генерации текста и визуальных вопросов и ответов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Карточка не уточняет обработку аудиовхода, поэтому не следует считать поддержку аудио подтверждённой только по названию проекта.

ARKA Advanced SLM — Behavior-First SFT v2 — языковая модель семейства ARKA, разработанная Абхаем Кумаром Рудрапалом. Это вариант GPT-2, дообученный методом supervised fine-tuning на базе Abhayn01/arka-advanced-slm-scitech-stream-500m-v1 для диалогового поведения в роли Academic Research Knowledge Assistant. Модель предназначена для генерации ответов в формате диалога User/Assistant и академических сценариев общения. В README указаны изменения рецепта дообучения: больший вес диалоговых данных, явное закрепление идентичности ARKA, ограничение доли вопросов с недостаточным контекстом и обучение на токенах ответа. Модель работает с текстом, поддерживает контекст до 1024 токенов и распространяется по лицензии Apache-2.0.

Eugleo/climbmix-d26-10tpp-nopol-sft — исследовательская чат-модель, созданная Eugleo дообучением nopol-варианта ClimbMix на один проход по смеси SmolTalk, MMLU и GSM8K. Модель основана на плотной архитектуре nanochat GPT с 26 блоками; в карточке указано 1,2 млрд параметров. Она предназначена для генерации ответов в диалогах и решения задач, представленных в обучающей смеси, включая вопросы общего характера, тестовые вопросы и математические задачи. Модель работает с текстом на английском языке и рассчитана на контекст до 2048 токенов. Базовый корпус был модифицирован: документы с сущностями, оцениваемыми как политические, заменены. Модель выпущена в формате safetensors и использует шаблон чата из репозитория; для загрузки архитектуры README указывает trust_remote_code=True. Это экспериментальный артефакт исследования фильтрации предобучающих корпусов, поэтому качество для конкретных прикладных задач не гарантируется. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

defeasible-nli-bert-clf — модель классификации текстовых последовательностей на базе BERT, дообученная на bert-base-uncased. Она предназначена для классификации примеров, связанных с выводами в условиях опровержимых предпосылок (defeasible NLI). Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохранена в формате Safetensors. В карточке приведены результаты оценки: accuracy 0,5, F1 0,6667, precision 0,5 и recall 1,0. Датасет и подробное описание сценариев применения не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — Apache-2.0.

Карточка модели anuragsinghiitm/distilbert_output на Hugging Face совпадает с карточкой anuragsinghiitm/distilbert-nppe, поэтому описание составлено по ней. Модель Anurag Singh — дообученная версия DistilBERT для оценки вариантов ответа в тестах с выбором ответа. Для каждой пары «вопрос — вариант» она выполняет бинарную классификацию: оценивает вероятность того, что вариант верен. Чтобы выбрать ответ, варианты оценивают по отдельности и выбирают тот, у которого вероятность выше остальных. Модель использует DistilBERT с шестью слоями трансформера, размером скрытого представления 768 и линейной классификационной головой. Она принимает текст на английском языке; указанная длина контекста — 512 токенов. Репозиторий содержит веса в формате Safetensors, библиотека для работы — Transformers. Лицензия — MIT. Модель предназначена для учебных тестов с вариантами ответа и экспериментов с классификацией текста. В карточке приведены метрики на оценочном наборе, однако они не гарантируют аналогичное качество на других данных. Модель обучалась на частном проектном наборе данных, может плохо переноситься на другие темы, а независимая оценка каждого варианта не учитывает отношения между вариантами как единым набором. Для критически важных решений требуется дополнительная проверка.

Bactrianus разработал эту модель как дообученный чекпойнт Meta Llama 3 8B Instruct для совместной генерации подтверждающих фактов и ответа на вопросы HotpotQA. Она принимает вопрос и предоставленный набор кандидатных абзацев с заголовками и индексами предложений, затем формирует текст с указаниями на подтверждающие предложения и ответом. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 8192 токенов и форматом safetensors; она рассчитана на английский язык. Модель предназначена для исследований на фиксированных кандидатных наборах и сравнения совместной генерации с раздельными модулями выбора абзацев, предложений и ответа. Она не выполняет поиск по корпусу и не находит материалы за пределами переданных кандидатов. Ошибки выбора свидетельств и ответа связаны между собой, длинные наборы могут усиливать влияние отвлекающих абзацев и риск усечения, а пары «заголовок — индекс» и ответ требуют строгой проверки. Модель распространяется по лицензии Llama 3.

VenkatManda/KaggleQuestionsModelGPT2 — языковая модель на базе GPT-2, дообученная разработчиком Venkat на данных Kaggle с вопросами и ответами. Карточка описывает её как модель для ответов на вопросы с контекстом: на вход подаются вопрос и текст, из которого нужно извлечь ответ. Модель построена на архитектуре GPT-2 и использует библиотеку Transformers; максимальный контекст составляет 1024 токена. В метаданных указан английский язык и формат весов safetensors. Модель предназначена для экспериментов с ответами на вопросы по предоставленному контексту. README показывает пример загрузки через AutoModelForQuestionAnswering, но метаданные классифицируют модель как text-generation; поэтому совместимость заявленного способа использования и опубликованной архитектуры следует проверить перед применением. Модель распространяется по лицензии Apache-2.0.

Meditron-3-Phi4-14B — языковая модель для медицинских задач, разработанная инициативой OpenMeditron на базе Phi-4 от Microsoft. Это плотный авторегрессионный трансформер с декодером, содержащий 14,1 млрд параметров; он принимает и генерирует текст, а длина контекста составляет 16 384 токена. Основной язык — английский. Модель дообучена на экспертно отобранных клинических рекомендациях, медицинских публикациях, синтетических примерах дифференциальной диагностики, медицинских тестах и общих данных. Она предназначена для исследовательской оценки ответов на медицинские вопросы и доступа к доказательной медицинской информации, в том числе в условиях ограниченных ресурсов. По карточке, модель не проходила дополнительную настройку для следования инструкциям; в описанной оценке ответы на вопросы получали через примеры в контексте или отдельное дообучение. Модель доступна по лицензии MIT. Это исследовательский инструмент, который не валидирован для диагностики, лечения или принятия клинических решений; результаты требуют проверки квалифицированными специалистами. Авторы также предупреждают, что модель может не учитывать локальные рекомендации и потребности конкретных групп пациентов.

PMC_LLaMA_7B — языковая модель на архитектуре LLaMA с 6,6 млрд параметров, созданная дообучением LLaMA-7B на научных статьях по биомедицине из корпуса PMC в составе S2ORC. Модель разработана Chaoyi Wu и предназначена для генерации текста в научном и медицинском контексте. Модель можно использовать для продолжения и составления текстов по биомедицинским публикациям, а также как основу для исследовательских задач генерации научного текста. При обучении использовались последовательности длиной до 512 токенов; карточка не сообщает длину контекста при работе. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache 2.0. Её специализация на научных статьях не гарантирует точности медицинских утверждений; результаты следует проверять, особенно перед использованием в клинических решениях.

SRIQ-AI разработала SRIQ DiffusionGemma 26B A4B v1.6 — дообученную и объединённую с базовыми весами модель семейства DiffusionGemma для диалогов и генерации текста. Это плотная модель с архитектурой DiffusionGemmaForBlockDiffusion: она кодирует запрос в KV-кэш, затем итеративно уточняет текст на холсте из 256 токенов примерно за 48 проходов. Модель обучена с использованием набора sriq-ai/sriq-sft-v1.6 и базовой модели kaivoss/diffusiongemma-26B-A4B-it-ALWAYS-THINK. Модель предназначена для ответов на вопросы и задач рассуждения, особенно с генерацией рассуждений на упрощённом китайском языке; отвечает на языке запроса. В описанном тесте китайские символы появились в 18 из 20 ответов, однако качество рассуждений и точность отдельно не оценивались. По тестированию на 20 примерах, повторяющаяся фраза возникла в 2 ответах. Для запуска в bf16 требуется около 52 ГБ видеопамяти; README рекомендует vLLM версии 0.24.0 или выше. По данным автора, SGLang пока не поддерживает эту архитектуру. Модель распространяется по лицензии Apache-2.0.

CogVLM2-Video-Llama3-Base — базовая видеоязыковая модель семейства CogVLM2 от zai-org. Она предназначена для понимания видео и ответов на вопросы о его содержании, включая анализ событий и временную привязку описаний к фрагментам видео. В README заявлены результаты на наборах MVBench, VideoChatGPT-Bench и Zero-shot VideoQA; параметры модели составляют 8,3 млрд, контекст — 2048 токенов. Репозиторий содержит веса Safetensors. Это базовая версия, которая, согласно карточке, не поддерживает чат. Метаданные указывают английский язык; модель принимает видео и текстовые запросы и генерирует текстовые ответы. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией разработчика.

InternVideo2-Chat-8B — видеоязыковая модель, разработанная командой OpenGVLab. Она объединяет видеокодировщик InternVideo2, обученный video BLIP и языковую модель Mistral-7B; видеокодировщик обновлялся в ходе обучения по прогрессивной схеме VideoChat. Модель принимает видео и текстовые запросы и предназначена для диалога о содержании видеороликов и ответов на вопросы по ним. В README приведены результаты на MVBench и VideoMME: 60,3 и 41,9 соответственно для версии 8B; для вариантов HD и HD-F16 указаны отдельные, более высокие результаты. Модель сохранена в формате safetensors, лицензия репозитория — MIT. Для использования также требуется получить доступ к базовой Mistral-7B; условия этого доступа применяются отдельно. Карточка не описывает языковой охват шире английского тега метаданных и не приводит длину контекста.

Riiid/kda-scibert-uncased-race — англоязычная модель на архитектуре BERT для выбора правильного варианта ответа в заданиях с несколькими вариантами. Она использовалась в работе EMNLP 2022 «Evaluating the Knowledge Dependency of Questions» и связана с датасетом RACE. Модель содержит 137,1 млн параметров, использует PyTorch и поддерживает контекст до 512 токенов. Модель подходит для оценки ответов на вопросы по тексту и анализа вопросов в исследовательских задачах, связанных с зависимостью от знаний. Карточка не уточняет показатели качества или подробную процедуру обучения. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование.

AI71ai/Llama-agrillm-3.3-70B — языковая модель для сельского хозяйства, разработанная ai71 в рамках инициативы AgriLLM. Это дообученная методом LoRA модель meta-llama/Llama-3.3-70B-Instruct: плотный трансформер семейства Llama с 69,5 млрд параметров. Модель предназначена прежде всего для использования в системах RAG с внешними сельскохозяйственными базами знаний, а не как самостоятельный источник универсальных ответов. Модель отвечает на вопросы по агрономии на основе предоставленного или найденного контекста, суммирует сельскохозяйственные документы, формирует рекомендации и помогает анализировать сценарии. В метаданных указан контекст до 131 072 токенов, библиотека Transformers и поддержка английского языка. Весовая лицензия — llama3.3. Ответы могут содержать ошибки и предубеждения; их следует проверять, особенно при принятии важных решений. Модель не заменяет специалистов и не предназначена для диагностики, официальных заключений, финансовых или правовых решений либо для работы с актуальными измерениями датчиков без соответствующих данных.

slm-125m-legal-sft — компактная языковая модель архитектуры Llama на 125,8 млн параметров, созданная abhishekai путём supervised fine-tuning модели abhishekai/slm-125m-legal-base. Она предназначена для ответов на вопросы по предоставленным фрагментам юридических и финансовых текстов в сценариях grounded QA и RAG; также обучалась суммированию, извлечению и перефразированию информации. Модель принимает текст, следует инструкциям и использует шаблон чата; контекст ограничен 1024 токенами. По оценке на 300 отложенных вопросах модель получила средний балл 4,05 из 10, но стандартные отраслевые бенчмарки не проводились. Она требует контекстный фрагмент, слабо подходит для закрытых вопросов и может галлюцинировать или ошибаться в арифметике. Модель ориентирована на английский язык и преимущественно на право США. Распространяется по лицензии Apache-2.0; автор описывает её как исследовательский и учебный артефакт, непригодный для юридических, финансовых или иных производственных решений.

vera-qwen-1.5b-dpo — дообученная модель Ram Bhogesara для генерации ответов с явным обозначением предположений и неопределённости. Она основана на Qwen2.5-1.5B-Instruct и обучена методом Direct Preference Optimization (DPO) на 817 парах предпочтений, созданных для проекта из TruthfulQA. Модель предназначена для диалогов, ответов на наводящие вопросы и обсуждения спорных тем с более калиброванными и проверяемыми формулировками. Модель использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов; карточка указывает английский язык. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия — Apache-2.0. Это личный исследовательский проект с небольшим набором обучающих предпочтений. Заявление автора о сходимости обучения не подтверждает качество ответов на широком круге задач; проверяйте важные факты по независимым источникам. Для использования доступны объединённые 16-битные веса.

Video-HopChain-8B (standard RL stage) — это промежуточный чекпойнт модели Qwen3-VL-8B-Instruct, дообученный разработчиком проекта Video-HopChain с помощью GRPO. Модель принимает видео и текстовые вопросы и предназначена для ответов на вопросы о содержании видео, в том числе требующих многошагового рассуждения. В обучении использовалась смесь из 105 993 примеров видео-вопросов и ответов; модель обрабатывает видео по 24 кадрам на этапе обучения. В оценке использовался контекст до 33 792 токенов.

AFM-4.5B-Base-KDA-NoPE — экспериментальная гибридная языковая модель Arcee.ai, созданная на основе AFM-4.5B-Base методом дистилляции. В архитектуре ArceeKDA три слоя Kimi Delta Attention чередуются с одним слоем полносвязного внимания NoPE; модель содержит 6 млрд параметров по метаданным, а карточка README указывает 4,5 млрд. Она принимает текст и предназначена для исследований гибридных архитектур внимания, сравнения линейного и полного внимания и проверки компромиссов между эффективностью и возможностями модели. Модель обучена на контекстах до 32 768 токенов. По данным карточки, гибридный вариант сохраняет более высокую эффективность по памяти, чем модель с полным вниманием, и лучше проявляет себя в коротких математических рассуждениях, чем вариант только с KDA. В тесте извлечения одного факта из контекста достигал 100% до 32k, но за пределом обученной длины наблюдался резкий спад качества. Лицензия — Apache-2.0.

AlloyingotneoyExperiment28-7B — экспериментальная плотная языковая модель семейства Mistral, автоматически созданная Максима Лабонном слиянием nlpguy/AlloyIngotNeoY и yam-peleg/Experiment28-7B методом SLERP. Модель содержит 7,1 млрд параметров, сохранена в формате safetensors и рассчитана на генерацию текста; длина контекста составляет 32 768 токенов. Модель предназначена для исследовательских экспериментов с генерацией текста и оценкой слитых языковых моделей. В конфигурации использованы веса bf16 и разные коэффициенты слияния для слоёв self-attention и MLP. Репозиторий распространяется по лицензии Apache-2.0. README не описывает отдельные специализированные сценарии или языковую специализацию.

augmdc/bigbird_mental2019_1 — дообученная модель BigBird для выбора ответа из нескольких вариантов. Она основана на augmdc/bigbird_race_1 и содержит 151,9 млн параметров; архитектура представлена классом BigBirdForMultipleChoice. Модель принимает текст и выдаёт выбор ответа, а заявленная длина контекста составляет 4096 токенов. Модель предназначена для задач с вопросом, текстовым контекстом и набором вариантов ответа. На указанном в карточке наборе для оценки она показала точность 0,4983 и loss 1,1074. Разработчик не описал набор данных для дообучения и подробные сценарии применения. Лицензия — Apache-2.0.

BioMistral-7B — медицинская языковая модель на архитектуре Mistral, разработанная авторами проекта BioMistral при участии CNRS. Модель размером 7,1 млрд параметров создана дополнительным предварительным обучением Mistral-7B-Instruct-v0.1 на текстах открытого доступа из PubMed Central. Она предназначена для генерации текста и диалоговых сценариев в биомедицинской области, включая ответы на медицинские и биологические вопросы. Метаданные указывают поддержку девяти языков: французского, английского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского. Заявленная длина контекста — 32 768 токенов; в таблице README для модели указана длина последовательности 2 048 токенов. В описанной авторами оценке модель сравнивалась на десяти медицинских вопросно-ответных тестах на английском языке, а также на автоматически переведённых версиях для семи других языков. Это ориентиры бенчмарков, а не гарантия качества в реальной практике. Авторы предупреждают, что модель не прошла клиническую проверку и не выровнена для безопасного принятия профессиональных медицинских решений; рекомендуют использовать её только для исследований и не развёртывать в клинических или иных профессиональных медицинских целях без тщательной проверки и адаптации. Репозиторий распространяется по лицензии Apache-2.0.

BioMistral-7B-DARE — текстовая чат-модель для генерации ответов на вопросы и инструкции в биомедицинской тематике. Она создана слиянием BioMistral-7B и Mistral-7B-Instruct-v0.1 методом DARE TIES; архитектура — Mistral с 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на несколько европейских языков, включая английский, французский, немецкий, испанский, итальянский, нидерландский, польский и румынский. Модель подходит для исследовательских экспериментов с биомедицинскими вопросами и ответами, а также для прототипирования диалоговых систем по медицинским и биологическим темам. В README приведены результаты оценки BioMistral на англоязычных медицинских QA-бенчмарках, но они не подтверждают клиническую пригодность этой версии. Авторы предупреждают о возможных рисках и смещениях, отсутствии оценки в реальных клинических условиях и рекомендуют не применять модель для профессиональных медицинских решений без дополнительного тестирования и адаптации. Лицензия — Apache-2.0.