I.2Синтез, понимание и проверка знаний

Карточка модели unsloth/Qwen3-Next-80B-A3B-Thinking на Hugging Face совпадает с карточкой Qwen/Qwen3-Next-80B-A3B-Thinking, поэтому описание составлено по ней. Qwen3-Next-80B-A3B-Thinking — языковая модель с открытыми весами от команды Qwen, предназначенная для сложных задач рассуждения и диалогового применения. Она работает только в режиме размышления и может формировать длинные цепочки рассуждений. Модель построена на причинной архитектуре Qwen3-Next с разреженной смесью экспертов (MoE) и сочетает Gated DeltaNet с Gated Attention для работы с длинным контекстом. Всего в ней 80 млрд параметров, из которых активны около 3 млрд; метаданные каталога указывают 2,3 млрд параметров. Нативная длина контекста — 262 144 токена, с расширением до 1 010 000 токенов. Поддерживаются генерация текста, чат и интерфейс вызова инструментов. Модель подходит для многошагового анализа, решения сложных задач и работы с большими текстовыми контекстами. В README заявлены высокие результаты на тестах рассуждения и эффективность инференса, но эти сравнения приведены разработчиком. Для запуска нужны совместимые версии Transformers, SGLang или vLLM и значительные вычислительные ресурсы; README рекомендует несколько GPU и отмечает риск нехватки памяти при длинном контексте. Лицензия — Apache 2.0.

Это модель классификации текстовых пар на основе RoBERTa Large, опубликованная организацией garak-llm. Она обучена на SNLI, MultiNLI, ANLI и FEVER для вывода по двум текстам: следуют ли они друг из друга, нейтральны ли по отношению друг к другу или противоречат. В garak её используют как детектор для проверки того, опровергает ли ответ модели заданное утверждение. Модель имеет около 454 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые пары с контекстом до 512 токенов. Выдаёт одну из трёх меток: entailment, neutral или contradiction. Лицензия — MIT. Языковые данные в метаданных не указаны, поэтому поддерживаемые языки нельзя надёжно перечислить.

Feudor2/rumodernbert-nli — русскоязычная модель классификации текстовых пар для распознавания логического следования, противоречия и нейтрального отношения. Она создана дообучением энкодера deepvk/RuModernBERT-base на наборе cointegrated/nli-rus-translated-v2021 и использует архитектуру ModernBERT с классификационной головой. Модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель подходит для проверки согласованности утверждений с предпосылками, анализа противоречий и сортировки текстовых пар по отношению между ними. В README приведены результаты на оценочном наборе: accuracy 0,8143, macro F1 0,8045 и mean ROC AUC 0,9351. Лицензия — Apache-2.0.

UniScientist — языковая модель UniPat AI для научного исследования в более чем 50 дисциплинах. Это разреженная модель семейства Qwen3 MoE с 30 млрд параметров, из которых на каждом токене активируется около 3 млрд; в метаданных указано 2,6 млрд параметров. Она принимает текст и генерирует исследовательские ответы и отчёты, а в агентном цикле может собирать доказательства, обосновывать выводы, пересматривать гипотезы и объединять несколько исследовательских отчётов. Карточка описывает применение инструментов для веб-поиска, поиска научных публикаций, загрузки страниц и выполнения кода; интерфейс вызова инструментов также отмечен в метаданных. Модель рассчитана на исследовательские задачи в разных научных областях и сообщает о результатах на нескольких исследовательских бенчмарках. Метаданные указывают контекст до 131 072 токенов, поддержку английского языка и лицензию Apache-2.0. Размер в README и метаданных различается; результаты бенчмарков приведены авторами карточки и независимо здесь не подтверждены.

Yi-6B-200K — базовая большая языковая модель, разработанная 01.AI и обученная с нуля. Она предназначена для генерации текста, понимания языка, рассуждений, ответов на вопросы и чтения длинных материалов. Модель построена на плотной архитектуре Transformer семейства Llama и содержит около 5,8 млрд параметров; контекстное окно составляет до 200 000 токенов. Серия Yi рассчитана прежде всего на английский и китайский языки и обучалась на многоязычном корпусе. Модель подходит для локального запуска, интеграции в приложения и дальнейшей адаптации; README описывает инструменты и сценарии развёртывания для семейства Yi. Это базовая генеративная модель, а не чат-версия, поэтому для диалогового использования может потребоваться настройка или обёртка. Опубликована под лицензией Apache 2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.5 — корейская instruct-модель для генерации текста, дообученная разработчиком AIFT на базе KOR-OpenOrca-Platypus. В карточке указано, что для обучения отобрали и очистили часть данных KOR-OpenOrca-Platypus, затем добавили около 40 тысяч примеров по истории, науке, математике, чтению с пониманием, анализу отзывов, обобщению, грамматике и переводу между английским и корейским. Также включены примеры для проверки распространённых утверждений на истинность. Модель основана на плотной архитектуре семейства Llama, содержит 5,9 млрд параметров и принимает контекст до 2048 токенов. Для дообучения использовался LoRA; веса опубликованы в формате safetensors. Модель предназначена для ответов на инструкции, вопросов и задач на корейском языке, а также для перевода между корейским и английским. Данные обучения закрыты, поэтому проверить состав датасета независимо нельзя. Лицензия — CC BY-SA 4.0.

Faro-Yi-9B — чат-модель wenbopan, созданная на основе Yi-9B-200K путём масштабного дообучения на инструкциях из набора Fusang-V1. Это плотная причинно-языковая модель семейства Llama с 8,6 млрд параметров; репозиторий содержит веса Safetensors, а для диалога используется шаблон ChatML. Модель предназначена для ответов на инструкции и различных текстовых задач на английском и китайском языках, включая работу с длинными документами и сложными запросами. В README заявлена длина контекста до 200 тысяч токенов. В метаданных Hugging Face указано значение 32 768 токенов; для практического использования длинного контекста README приводит настройки vLLM и отмечает влияние квантизации AWQ на качество. В опубликованных автором тестах Faro-Yi-9B превосходит Yi-9B-200K по большинству приведённых показателей, в том числе по ряду тестов понимания длинного контекста; результаты кодогенерации в LongBench ниже, чем у базовой модели. Лицензия — MIT.

German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI и дообученная на базе mistralai/Mistral-7B-v0.3 методом continued pre-training. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache 2.0. Модель предназначена для работы с немецкими и английскими текстами, особенно для генерации ответов на вопросы с учётом предоставленного контекста, структурированного рассуждения и суммаризации. Её можно использовать в RAG-сценариях, где приложению нужно сформулировать ответ по найденным документам. В обучающих данных сделан акцент на немецком языке; README указывает около 420 тысяч немецких и 200 тысяч английских примеров.

Granite-3.1-3B-A800M-Base — базовая языковая модель IBM Granite Team для генерации текста и задач преобразования текста. Это декодерный разреженный Transformer с архитектурой Mixture of Experts (MoE), доступный в формате safetensors и содержащий 352,3 млн параметров. Модель расширяет контекст Granite-3.0-3B-A800M-Base с 4K до 128K токенов; для адаптации к длинному контексту использовалось дополнительное обучение примерно на 500 млрд токенов. Модель предназначена для суммаризации, классификации и извлечения информации из текста, ответов на вопросы, а также как основа для специализированного дообучения. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель выпущена IBM под лицензией Apache 2.0. Модель не прошла выравнивание по безопасности и может выдавать проблемный или недостоверный текст; для небольшой модели также отмечен риск дословного воспроизведения обучающих данных. Как базовая модель, она может требовать дообучения под конкретные инструкции и сценарии.

HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

allenai/led-base-16384 — базовая модель Longformer Encoder-Decoder (LED), разработанная AllenAI. Это плотный encoder-decoder-трансформер с 95,2 млн параметров, подготовленный на основе bart-base: матрица позиционных эмбеддингов BART была повторена, чтобы увеличить поддерживаемую длину входа до 16 384 токенов. Модель предназначена для генерации текста по текстовому входу, в частности для суммаризации длинных документов и ответов на вопросы по ним. LED можно дообучать для прикладных задач, требующих учитывать большие объёмы текста. В метаданных указаны реализации PyTorch и TensorFlow, а также поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

Карточка модели Yukang/Llama-2-13b-longlora-32k-ft на Hugging Face совпадает с карточкой Yukang/Llama-2-7b-longlora-32k-ft, поэтому описание составлено по ней. Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

Llama-3-8B-Instruct-80K-QLoRA-Merged — диалоговая языковая модель семейства Llama 3, созданная namespace-Pt на основе Meta-Llama-3-8B-Instruct. Контекст модели расширен примерно до 80 тысяч токенов с помощью QLoRA и обучения на синтетических длинных примерах, после чего веса объединены с исходной инструкционной моделью. Архитектура — плотная авторегрессионная LlamaForCausalLM; в репозитории представлены веса Safetensors, размер модели — 7,5 млрд параметров. Модель предназначена для генерации ответов и работы с длинными текстами: поиска сведений в больших документах, ответов по нескольким источникам, суммаризации и задач с большим контекстом. README приводит результаты оценок на LongBench, InfiniteBench и тесте Needle-in-a-Haystack; это бенчмарки, а не гарантия качества для конкретных данных. Модель принимает текст и генерирует текст. Язык оценки в README — английский; поддержка других языков не установлена предоставленными данными. Лицензия репозитория указана как MIT. Модель сохраняет ограничения базовой Llama и может ошибаться, особенно при обработке длинного контекста; фактическое поведение зависит от используемой конфигурации и максимальной длины генерации.

MegaBeam-Mistral-7B-512k — компактная языковая модель на 7,1 млрд параметров, представленная в работе «Scaling Context, Not Parameters: Training a Compact 7B Language Model for Efficient Long-Context Processing». Она дообучена на Mistral-7B-Instruct-v0.2 и предназначена для генерации текста и диалогов с длинными документами и контекстом до 524 288 токенов. Модель использует плотную архитектуру MistralForCausalLM и распространяется в формате Safetensors. Модель подходит для поиска фактов в объёмных текстах, многошаговых вопросов и ответов, суммирования и других сценариев, где требуется учитывать длинный контекст. В README приведены результаты оценок на NIAH, RULER и InfiniteBench; они указывают на сильное извлечение информации в некоторых тестах, но качество различается между задачами и не гарантирует результат на пользовательских данных. Для эффективного запуска длинного контекста требуются совместимые инструменты обслуживания модели и значительные вычислительные ресурсы. Лицензия — Apache-2.0.

Muse Spark 1.1 — мультимодальная модель рассуждения от Meta, предназначенная для агентных задач. Она принимает текст, изображения, видео, аудио и PDF-документы и формирует текстовые ответы. Для модели заявлено контекстное окно в 1 млн токенов, что позволяет работать с длинными документами и мультимодальными материалами. Данных о лицензии и дополнительных ограничениях в предоставленных источниках нет.

Карточка модели Mihaiii/Pallas-0.3 на Hugging Face совпадает с карточкой Mihaiii/Pallas-0.4, поэтому описание составлено по ней. Mihaiii/Pallas-0.4 — инструкционная дообученная языковая модель на архитектуре Llama, созданная на базе migtissera/Tess-34B-v1.4. Она содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для рассуждений и понимания текста, хорошо работает с длинными системными промптами. Её можно использовать для ответов на вопросы и анализа длинных текстовых материалов; для художественного повествования она не предназначена. Обучение выполнено на частном датасете. Лицензия указана как other.

SAIFIINDUSTRIES/Qwen2.5-7B-Instruct-1M — чат-модель для генерации текста на основе Qwen2.5-7B, представленная как вариант семейства Qwen2.5-1M с длинным контекстом. В метаданных указаны архитектура Qwen2, 7,1 млрд параметров, формат safetensors и дообучение базовой модели Qwen/Qwen2.5-7B; README описывает причинную языковую модель с RoPE, SwiGLU, RMSNorm и контекстом до 1 010 000 токенов, включая генерацию до 8192 токенов. Модель предназначена для диалогов и задач генерации текста с длинными входными материалами: например, анализа объёмных документов и работы с большими контекстами. README рекомендует специальную сборку vLLM со sparse attention и методами экстраполяции контекста для эффективной работы на максимальной длине. Для обработки последовательностей в миллион токенов указано требование не менее 120 ГБ видеопамяти суммарно; при использовании прежних средств вывода возможно снижение точности на длинах свыше 262 144 токенов. Модель использует лицензию Apache-2.0. Метаданные указывают английский язык; README не приводит отдельного перечня поддерживаемых языков.

McGill-NLP/roberta-large-faithcritic — модель RoBERTa large, дообученная на FaithCritic, производном датасета FaithDial. Она классифицирует высказывание как соответствующее или не соответствующее исходным знаниям и предназначена для проверки фактической верности ответов в диалоговых системах с опорой на источники. Модель имеет архитектуру RobertaForSequenceClassification, содержит 454,1 млн параметров и принимает текст с контекстом длиной до 514 токенов. Выпущена под лицензией MIT.

llmware разработала llmware/slim-xsum-phi-3 — дообученную на базе Microsoft Phi-3 модель серии DRAGON для ответов на вопросы по контексту в RAG-сценариях. Она предназначена для работы с текстовыми фрагментами и выдаёт ответы, извлечённые из предоставленных материалов; типовые задачи включают ответы на вопросы, извлечение значений и краткое суммирование. В карточке модели сообщается о тестировании на наборе RAG-инструкций, включая вопросы с ответом «не найдено», логические задачи и суммирование. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстное окно 4096 токенов. Указанный язык — английский. Репозиторий содержит веса PyTorch, модель поддерживает чат и распространяется по лицензии Apache 2.0. Результаты внутренних тестов не гарантируют точности на других данных: ответы могут быть неполными или неверными, поэтому их следует проверять.

Solar Pro 4 — большая языковая модель компании Upstage, предназначенная для длительных задач и агентных сценариев. В карточке указано контекстное окно размером 524 тыс. токенов. Модель рассчитана на работу с длинными документами и задачи офисной продуктивности. README также отмечает поддержку агентных рабочих процессов, но не приводит подробностей об архитектуре, размере модели, языках или условиях лицензии.

Yarn-Solar-10b-64k — языковая модель NousResearch, созданная на основе SOLAR-10.7B-v1.0 и дополнительно обученная на двух миллиардах токенов длинного контекста с помощью метода YaRN. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и окном контекста до 65 536 токенов. Модель предназначена для генерации текста и работы с длинными входными документами: например, для анализа больших текстов, ответов на вопросы по ним и суммаризации. Карточка приводит результаты тестов на длинном контексте и отмечает небольшое снижение качества на коротком контексте. Заявлена поддержка английского языка; метаданные указывают библиотеку Transformers и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Для загрузки в Transformers карточка указывает необходимость `trust_remote_code=True` и актуальной версии библиотеки; это следует учитывать при использовании. Данные карточки не описывают отдельную настройку для диалогов или вызова инструментов.

Yi-9B-200K — базовая языковая модель, разработанная компанией 01.AI и обученная с нуля. Это плотная авторегрессионная модель семейства Yi на архитектуре Transformer, совместимой с реализацией Llama; веса Llama в обучении не использовались. Модель содержит 8,6 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации текста, понимания языка, ответов на вопросы, чтения и рассуждений. Семейство Yi рассчитано прежде всего на английский и китайский языки и обучено на многоязычном корпусе. Эта карточка описывает базовую модель, а не диалоговую настройку, поэтому качество ответов в чате может требовать дополнительного дообучения или инструкции в промпте. Модель распространяется в формате safetensors по лицензии Apache 2.0. Длинный контекст и относительно компактный размер семейства позволяют применять её для анализа больших текстовых фрагментов, однако фактические требования к памяти и скорость зависят от оборудования и настроек инференса.

tals/albert-xlarge-vitaminc-mnli — модель классификации последовательностей на архитектуре ALBERT. Она использована в работе «Get Your Vitamin C! Robust Fact Verification with Contrastive Evidence» (Schuster и соавторы, NAACL 2021) и предназначена для проверки утверждений с опорой на контекст и контрастные свидетельства. Модель можно применять для классификации пар «утверждение — свидетельство», например при проверке фактов и оценке того, поддерживает ли текст утверждение или противоречит ему. Максимальная длина контекста — 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. В карточке указаны наборы данных GLUE, MultiNLI и tals/vitaminc. Карточка не раскрывает точную схему меток и метрики качества, поэтому перед использованием в прикладной системе стоит проверить формат входа и выхода и оценить качество на целевых данных. При использовании модели авторы просят цитировать научную работу; лицензия в доступных данных не приведена.

CAG-mistral-7b — языковая модель на архитектуре Mistral, дообученная авторами репозитория на Mistral-7B для генерации ответов с учётом достоверности сведений в контексте. Она предназначена для сценариев retrieval-augmented generation (RAG), где нужно отвечать по внешним документам, в том числе при наличии шумных или противоречивых источников. Среди заявленных сценариев — персонализированные ответы и разрешение конфликтов знаний; модель также оценивалась на вопросах по открытым и меняющимся во времени сведениям и на вопросах в условиях загрязнения дезинформацией. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык и лицензию MIT. Ограничения качества и инструкции по развёртыванию в карточке не описаны.

Joel Zhang разработал модель на базе DeBERTa-v3-large для классификации отношений между парами текстов в задаче вывода на естественном языке (NLI). Она обучалась на SNLI, MultiNLI, FEVER и трёх раундах Adversarial NLI; по результатам тестирования показала точность 0,929 на SNLI и 0,612 на ANLI R3. Модель имеет архитектуру DeBERTa v2 для классификации последовательностей, содержит около 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык карточки и обучающих данных — английский. Модель подходит для проверки, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Её можно применять для проверки фактических утверждений по текстовым источникам и анализа логических отношений между фразами. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Enoki OpenIE Encoder — англоязычная модель извлечения фактов, разработанная командой s-nlp для конвейера обнаружения галлюцинаций Enoki. Она преобразует предложение в привязанные к исходным токенам тройки «субъект — отношение — объект», чтобы факты можно было проверять по отдельности и находить их исходные фрагменты текста. Модель основана на энкодере answerdotai/ModernBERT-large и использует архитектуру Iterative Grid Labeling. Это дистиллированный из результатов Enoki-LLM извлекатель фактов, обученный на dev-разделе набора EnokiQA. В составе конвейера Enoki извлечённые утверждения можно передавать отдельному NLI- или фактологическому верификатору для проверки по справочному контексту и локализации неподтверждённых фрагментов. Модель предназначена для английского текста; рекомендуется подавать по одному предложению на вход, а максимальная длина последовательности по умолчанию составляет 128 токенов. IGL может возвращать вложенные или инкрементальные тройки; порог min_confidence 0,7–0,8 помогает получить меньше результатов с более высокой точностью. Для загрузки требуется trust_remote_code=True, поскольку архитектура и декодер OpenIE реализованы пользовательским кодом Transformers в репозитории. Лицензия в предоставленных данных не указана.

EttinX-nli-s — англоязычный cross-encoder для определения логической связи между парой текстов: противоречие, нейтральное отношение или следование. Модель разработал dleemiller на основе энкодера jhu-clsp/ettin-encoder-68m семейства ModernBERT; она дообучена на наборе all-nli-distill с логитами учителя dleemiller/ModernCE-large-nli. Использует архитектуру классификации последовательностей и содержит 68,1 млн параметров. Модель подходит для проверки гипотез по тексту, оценки семантического соответствия пары предложений и анализа ответов LLM. Автор приводит результаты micro-F1 0,8798 на MNLI mismatched и 0,8967 на SNLI. Заявлена обработка последовательностей до 8192 токенов, что полезно для оценки длинных ответов; метаданные указывают контекст 7999 токенов. Компактный размер делает модель подходящей для инференса на CPU. Лицензия MIT.

EttinX Cross-Encoder NLI — компактная англоязычная модель Дэниела Миллера для определения логической связи между парой текстов. Она классифицирует пару как противоречие, нейтральное отношение или следование; основана на энкодере Ettin-17m семейства ModernBERT и содержит 16,8 млн параметров. Модель дообучена на наборе all-nli-distill с логитами учителя ModernCE-large-nli, чтобы улучшить качество относительно обычного обучения. Модель рассчитана на лёгкий инференс, в том числе на CPU, и может применяться для проверки гипотез, оценки ответов LLM и сравнения предложений с учётом их смысловой связи. README сообщает результаты micro-F1 80,47% на MNLI mismatched и 86,95% на SNLI. Длина контекста составляет до 7999 токенов по метаданным; README указывает 8192 токена. Лицензия в предоставленных данных не указана.

Fathom-Synthesizer-4B — языковая модель от FractalAIResearch, дообученная на базе Qwen/Qwen3-4B для синтеза результатов исследований и подготовки развёрнутых отчётов. Она преобразует поисковые и исследовательские трассы в связные отчёты с цитатами: протокол plan-then-write предусматривает декомпозицию вопроса, сопоставление источников с разделами и планирование выводов. Модель предназначена для работы в составе системы Fathom-DeepResearch; для поиска в реальном интернете ей требуется отдельный поисковый сервер и соответствующие инструменты. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. При запуске авторы используют масштабирование YARN с RoPE factor 2.0. Она принимает текст и генерирует текст; README не заявляет отдельную поддержку изображений или иных модальностей. Модель распространяется под лицензией MIT. Карточка не приводит специфических для синтезатора ограничений качества или перечня поддерживаемых языков.

German-RAG-NEMO-12B-ORPO-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это дообученная версия German-RAG-NEMO-12B-SFT-HESSIAN-AI с 12,1 млрд параметров, предназначенная для немецкоязычных RAG-сценариев и работы с предоставленным контекстом. Модель подходит для ответов на вопросы по найденным документам, извлечения релевантных сведений, рассуждений по контексту и составления кратких сводок. В карточке заявлена поддержка немецкого и английского языков; метаданные указывают контекст до 1 024 000 токенов. По условиям Apache 2.0 распространяются и код, и веса модели. В оценке авторов модель показала результаты на задачах извлечения, вопросно-ответных задачах, суммаризации и рассуждениях на немецком и английском языках. Результаты зависят от задачи и не гарантируют фактическую точность: ответы могут содержать ошибки и должны проверяться. У модели нет встроенной фильтрации безопасности; возможна генерация вредного или предвзятого контента.