II.10Разработка и эксплуатация AI/ML-систем

PVT-Tiny-224 — компактная модель Pyramid Vision Transformer, опубликованная пользователем Hugging Face Xrenya. Это трансформерный энкодер изображений с пирамидальной архитектурой: изображение разбивается на патчи, а разрешение признаковых карт постепенно уменьшается между этапами, что снижает вычислительные затраты по сравнению с обработкой крупных карт на каждом слое. Модель предназначена для классификации изображений по 1000 классам ImageNet-1K и может использоваться как энкодер признаков для дальнейшего обучения на размеченных изображениях. Модель обучалась на ImageNet-1K и дообучалась на ImageNet 2012 с размером входа 224×224. Изображения масштабируются и нормализуются по RGB-каналам. Архитектура относится к семейству PVT; доступны веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Карточка не приводит отдельных численных оценок качества или подробностей об ограничениях производительности.

shahrukhx01/question-vs-statement-classifier — компактная модель классификации текста на основе BERT, разработанная для разделения поисковых запросов на вопросы и утверждения. Она предназначена для классификации запросов в сценариях нейронного поиска и интеграции с Haystack. Модель содержит около 12 млн параметров, принимает текст длиной до 512 токенов и выдаёт метку класса; опубликованные веса доступны в форматах PyTorch и safetensors. Карточка не сообщает результаты оценки качества и подробности обучающих данных, поэтому точность классификации на конкретных типах запросов не установлена. Метаданные указывают английский язык. Условия лицензирования в предоставленных данных не описаны.

Qwen2-0.5B — базовая авторегрессионная языковая модель серии Qwen2, разработанной командой Qwen. Модель содержит 494 млн параметров и построена на плотной архитектуре Transformer с декодером Qwen2ForCausalLM, активацией SwiGLU, смещениями в QKV-внимании и group query attention. Метаданные указывают контекст до 131 072 токенов и поддержку чата; карточка описывает базовую, а не инструкционно настроенную версию. Модель предназначена как основа для последующего дообучения, включая SFT, RLHF и продолжение предобучения. Она генерирует текст и может служить отправной точкой для экспериментов с пониманием языка, вопросами и ответами, кодом, математикой и многоязычными задачами. В README отдельно не рекомендуется использовать базовую версию для непосредственной генерации текста без постобучения. Карточка сообщает о токенизаторе, рассчитанном на несколько естественных языков и языки программирования; среди примеров оценки названы английский, китайский и ряд многоязычных задач, включая русский. Лицензия модели — Apache-2.0. Приведённые в README сравнительные результаты относятся к наборам оценки и не гарантируют качество на конкретных пользовательских задачах.

Qwen2-0.5B-Reward — дообученная командой TRL модель на базе Qwen/Qwen2-0.5B-Instruct, представленная как классификатор последовательностей с 494 млн параметров. Она предназначена для классификации текста; название указывает на применение в качестве reward-модели для оценки текстовых ответов, однако README не описывает схему оценивания и набор данных. Модель построена на архитектуре Qwen2, использует библиотеку Transformers и принимает текст, выдавая классификационные оценки. Длина контекста — до 32 768 токенов. В README приведены результаты оценки: loss 0,5182 и accuracy 0,728. Лицензия Apache-2.0. README не раскрывает обучающие данные, методику оценки и ограничения применимости; приведённые метрики не позволяют судить о качестве на других данных.

cnmoro/Qwen2.5-0.5B-Rag-Thinking — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct, разработчик — cnmoro. Она предназначена для ответов на вопросы в базовых системах RAG с использованием рассуждений. Карточка отмечает строгий формат шаблона для работы с моделью. Это плотная причинная языковая модель семейства Qwen2, содержащая 494 млн параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим; максимальная длина контекста — 32 768 токенов. В карточке указан португальский язык. Модель распространяется под лицензией MIT.

Qwen2-7B-Instruct-Exp — разговорная языковая модель на архитектуре Qwen2, разработанная Alibaba PAI. Модель дообучена на основе Qwen2-7B-Instruct для расширения пользовательских инструкций примерами того же типа задачи, но с другим содержанием. В обучении использованы выборки OpenHermes и LCCD, а для подготовки аннотаций — Qwen-max и примеры авторов. Модель принимает текстовые инструкции и генерирует текстовые варианты с изменённым содержанием, сохраняя тип задачи. В карточке указаны 7,1 млрд параметров и контекст до 131 072 токенов. Авторы оценивали её влияние на аугментацию данных для задач элементарной математики и импликатур; результаты зависели от тестового набора. Подходит для создания синтетических обучающих примеров и разнообразных формулировок заданий. Лицензия в предоставленных данных не указана.

unsloth/Qwen3-0.6B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная Unsloth как производная от Qwen/Qwen3-0.6B-Base. Это предварительно обученная базовая модель примерно с 508 млн параметров, 28 слоями и архитектурой Qwen3ForCausalLM; она предназначена для генерации текста и дальнейшей адаптации под прикладные задачи. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и работает через библиотеку Transformers. Qwen3 обучалась на многоязычном корпусе; README указывает охват 119 языков, включая материалы по программированию, STEM, рассуждениям и общим знаниям. Компактный размер позволяет использовать модель как основу для экспериментов, прототипов и дообучения, однако возможности конкретной версии Base не следует приравнивать к готовому чат-ассистенту или специализированному решателю задач. Для работы требуется актуальная версия Transformers: README предупреждает о несовместимости с версиями ниже 4.51.0. Лицензия — Apache-2.0.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step435000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-435000, поэтому описание составлено по ней. Это дообученный черновой чекпойнт EAGLE3 для ускорения генерации текста методом спекулятивного декодирования вместе с целевой моделью Qwen/Qwen3-1.7B. Модель обучена с помощью SpecForge; указаны девять эпох, шаг 435000 и архитектура LlamaForCausalLMEagle3 с размером скрытого слоя 2048. Веса представлены в формате safetensors, тип данных — bfloat16. Чекпойнт предназначен для SpecForge и совместимого кода EAGLE3: он предлагает черновые токены для проверки целевой моделью. Самостоятельно генерировать текст он не предназначен; эмбеддинги целевой модели загружаются отдельно. Контекстная длина в метаданных — 40960 токенов. В карточке указаны английский и китайский языки, лицензия обозначена как other.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step455000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-455000, поэтому описание составлено по ней. Это чекпойнт черновой модели EAGLE3, разработанный в рамках обучения SpecForge для ускорения генерации текста методом speculative decoding с целевой моделью Qwen/Qwen3-1.7B. Это не самостоятельная языковая модель: чекпойнт предназначен для совместной загрузки с целевой моделью через код, совместимый с SpecForge/EAGLE3. Модель использует архитектуру LlamaForCausalLMEagle3 и имеет 361,5 млн параметров. Она обучена методом SpecForge EAGLE3 online training на данных ShareGPT; контекстное окно составляет 40 960 токенов. Веса чекпойнта не содержат замороженные эмбеддинги целевой модели — их загружает SpecForge из Qwen/Qwen3-1.7B. Репозиторий содержит веса safetensors и состояние обучения. Лицензия указана как other; конкретные условия использования следует сверить с карточкой и лицензией базовой модели. В карточке не заявлены результаты бенчмарков.

Это EAGLE-3 модель черновых токенов, разработанная для ускорения генерации текста базовой моделью Qwen3-4B-Instruct-2507. Она не работает самостоятельно: её используют вместе с базовой моделью в режиме спекулятивного декодирования. По данным карточки, такой режим повышает пропускную способность генерации в 1,5–2,5 раза без ухудшения качества ответов базовой модели. Модель обучена с помощью SpecForge на данных EagleChat и предназначена для ускорения диалогов, решения математических задач и генерации кода. В тестах при четырёх черновых токенах средняя длина принятых черновых последовательностей составляла около 2,08 токена; приведены результаты на GSM8K, HumanEval и Math500. Архитектура указана как LlamaForCausalLMEagle3, размер — 480,1 млн параметров, формат весов — safetensors, контекст — до 40 960 токенов. В метаданных указаны китайский и английский языки. Лицензия — Apache-2.0. Для применения необходима совместимая базовая модель и поддержка EAGLE-3 в используемом движке инференса.

Romarchive/Qwen3.5-2B-Base-GGUF — репозиторий с GGUF-версией предобученной базовой модели Qwen3.5-2B-Base, основанной на архитектуре причинной языковой модели с энкодером зрения. В исходной карточке указаны 2 млрд параметров, 24 слоя и гибридная архитектура Gated DeltaNet и Gated Attention; контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. В карточке каталога также отмечена возможность чата, однако README рекомендует модель прежде всего для дообучения, экспериментов с контекстными примерами и разработки, а не для прямого общения. Модель рассчитана на генерацию текста и мультимодальные сценарии понимания текста и изображений, а заявленная поддержка семейства Qwen3.5 охватывает 201 язык и диалект. Этот репозиторий содержит GGUF-файлы; конкретные варианты квантования и параметры лицензии в предоставленных данных не описаны. Как базовая модель, она может требовать инструкционного дообучения для устойчивого выполнения пользовательских запросов.

Это дообученная модель Qwen3.5-4B, разработанная автором репозитория PLJIANGG05 для классификации пользовательского текста по меткам SAFE и UNSAFE. Она предназначена для предварительной проверки запросов на опасные намерения, а не для диалога общего назначения. Веса опубликованы как объединённая BF16-модель; в репозитории также сохранены исходные LoRA-тензоры. Архитектура Qwen3.5 с условной генерацией сохранена для совместимости, однако обучалась и оценивалась только классификация текстовых входов. Сценарий оценки ограничивает контекст 1 024 токенами. В обучающей выборке указаны английский и китайский языки, но расширенная сравнительная оценка проводилась только на английском и не подтверждает качество для китайского или других языков. При длинных входах классификатор обрезает середину текста, что может удалить важный контекст. Метка SAFE не гарантирует безвредность запроса или последующего ответа; модель не является сертифицированной системой безопасности. Лицензия — CC BY-NC 4.0, с некоммерческими условиями использования.

Qwen3.5-4B-Unredacted-MAX — дообученная версия Qwen3.5-4B от prithivMLmods с изменённым поведением отказов. Это плотная мультимодальная модель на 4 млрд параметров семейства Qwen3.5, принимающая текст и изображения и предназначенная для диалога, следования инструкциям и рассуждений. Репозиторий содержит веса в формате safetensors и рассчитан на работу через Transformers; заявлены облегчённое локальное развертывание и совместимость с современными конвейерами библиотеки. Модель подходит для прототипирования локальных ассистентов, анализа изображений, изучения поведения инструкционных моделей и проверок устойчивости. README приводит самоотчётную оценку поведения отказов на 2000 запросах; эти результаты зависят от набора запросов и настроек генерации и не являются гарантией качества. Возможны фактические ошибки и непоследовательные ответы в сложных сценариях; для очень длинного контекста модель не оптимизирована. Лицензия — Apache-2.0.

mlx-community/Qwen3.5-9B-MTP-bf16 — веса черновой модели Multi-Token Prediction, выделенные из Qwen/Qwen3.5-9B для ускорения генерации методом speculative decoding. Репозиторий подготовлен для MLX и mlx-vlm; архитектура — плотная qwen3_5_mtp, размер блока MTP — 2, точность — bf16, формат — Safetensors. Модель предназначена для совместной работы с целевым чекпойнтом Qwen3.5 9B: она предлагает кандидаты токенов, которые затем проверяет целевая модель. Это вспомогательная модель для ускорения диалога и генерации текста, а не самостоятельная чат-модель. Поддержка MTP в среде mlx-vlm обязательна. В метаданных указаны возможности диалога и интерфейс вызова инструментов, а также английский язык. Лицензия — Apache-2.0; для условий использования README отсылает к лицензии базовой модели Qwen/Qwen3.5-9B.

AngelSlim выпустила официальный черновой чекпойнт DFlare для ускорения генерации с Qwen/Qwen3-8B. Это плотная модель-черновик на 2 млрд параметров по метаданным (в README указано около 1,4 млрд), с архитектурой DFlare из 7 слоёв, размером скрытого состояния 4096 и 32 головами внимания. Модель предсказывает блоки токенов параллельно, используя скрытые состояния целевой модели; Qwen3-8B проверяет предсказанный блок. Для загрузки требуется класс QwenDFlareDraftModel из AngelSlim. В описанных испытаниях связка DFlare и Qwen3-8B показала среднее ускорение генерации в 5,46 раза на задачах рассуждения, программирования и диалога без изменения результата относительно жадного декодирования. Чекпойнт предназначен для ускорения вывода совместно с целевой Qwen3-8B, а не как самостоятельная универсальная языковая модель. Контекст по метаданным — 40 960 токенов. Лицензия — Apache-2.0.

Huang2020/Qwen3-8B-Domino-b16 — черновая модель Domino/DFlash, разработанная для ускорения генерации с помощью speculative decoding вместе с целевой моделью Qwen/Qwen3-8B. Она формирует черновые токены блоками по 16, а лёгкая причинная корректирующая голова повышает долю принимаемых токенов. Это производная модель на базе Qwen/Qwen3-8B, представленная в формате safetensors и рассчитанная на использование через Transformers. Модель не предназначена для самостоятельной генерации текста: её нужно подключать к целевой модели при генерации. README рекомендует прямой путь spec_generate на одной GPU и отключение режима thinking в настройках Qwen3. Контекст составляет до 40 960 токенов. Условия лицензии в предоставленных данных не описаны.

Qwen3-Embedding Redundancy Detector (0.6B) — PUMA — это дообученная ZhishanQ модель на базе Qwen/Qwen3-Embedding-0.6B, разработанная как детектор семантической избыточности шагов рассуждения. Она формирует эмбеддинги текстовых шагов и позволяет оценивать их сходство с недавними шагами по косинусной близости. В составе PUMA этот сигнал помогает определить момент, когда рассуждение перестаёт добавлять новую информацию, и рассмотреть досрочное завершение генерации. Модель предназначена для интеграции в конвейеры рассуждений крупных языковых моделей: она оценивает повторяемость шагов, а в полном конвейере PUMA её сигнал сочетается с проверкой ответа. В статье система оценивалась на математических и научных бенчмарках с несколькими моделями рассуждения; сообщается о сокращении числа генерируемых токенов при сохранении точности ответа. Архитектура — плотная Qwen3ForCausalLM, размер — около 507,6 млн параметров, библиотека — sentence-transformers, формат весов — safetensors, максимальная длина контекста — 32 768 токенов. Модель работает с текстом; в карточке заявлен английский язык. Лицензия — Apache-2.0. Модель оценивает семантическую избыточность шагов и сама по себе не проверяет истинность ответа или корректность рассуждения; решение о раннем выходе в PUMA дополнительно опирается на другие сигналы.

Это опубликованная Geoff Munn производная модель Qwen3Guard-Stream-0.6B для потоковой классификации безопасности текста. Она анализирует поступающий текст по мере его появления и сообщает о потенциальных категориях риска, таких как насилие, ненависть, сексуальный контент, самоповреждение, незаконные действия и спам; результат может включать оценку уверенности и признак неполного входа. Модель предназначена для оперативной модерации пользовательского ввода в приложениях, в том числе на устройствах с ограниченными ресурсами. Её можно использовать для раннего предупреждения, приостановки генерации ответа или передачи безопасного текста дальше по конвейеру. В карточке описан размер 0,6 млрд параметров и формат GGUF; автор сообщает, что опубликованная конверсия не работает с llama.cpp, поэтому заявленное применение локального GGUF-инференса не подтверждено. Лицензия — Apache-2.0. По оценке автора, модель быстрая, но в неоднозначных случаях склонна к чрезмерно консервативным и ошибочным классификациям. Её выводы требуют проверки и не должны быть единственным основанием для решений о безопасности.

Это модель извлечения признаков изображений qwen3vit88menc.qwen3508b из семейства Qwen, подготовленная командой timm на основе визуального энкодера Qwen3.5-0.8B. Она предназначена для преобразования изображений в пространственные визуальные токены, которые можно использовать в мультимодальных системах и специализированных решениях. Модель содержит около 100 млн параметров, включая визуальный энкодер, пространственный merger и проекцию к ширине исходной языковой модели; веса языковой модели и обученная классификационная голова отсутствуют. Энкодер использует MLP с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный осевой RoPE. Поддерживает прямоугольные RGB-изображения; размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. При обработке изображения временное измерение исходного ядра свёртки сводится к двумерной свёртке. Входные пиксели нормализуются со средним и стандартным отклонением 0,5 по каналам. Модель доступна под лицензией Apache 2.0.

RDNet Tiny — модель классификации изображений и извлечения визуальных признаков, опубликованная Naver AI. Это исходные веса torchvision, обученные на ImageNet-1k. Модель содержит 24 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость 5,0 GMACs; точность top-1 на валидации ImageNet-1k составляет 82,8%.

ReDimNet2 B3 — конверсия официального чекпойнта b3-vox2-lm.pt в формат MLX, подготовленная для запуска на устройствах Apple. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и выдаёт вектор эмбеддинга говорящего размерностью 192; чекпойнт обучен с large-margin fine-tuning и рекомендован автором карточки. Модель предназначена для получения голосовых представлений, которые можно использовать в системах верификации и сравнения говорящих. В README указано, что эмбеддинги совпадают с PyTorch-реализацией с относительной ошибкой до 4,4×10⁻⁶ в худшем случае при вычислениях float32 на MLX CPU. Репозиторий распространяется по лицензии MIT.

RegNetX-400MF — свёрточная модель классификации изображений из семейства RegNetX, распространяемая в библиотеке timm. Её авторы предварительно обучили на ImageNet-1k; в репозитории Hugging Face веса доступны в форматах PyTorch и safetensors. Модель содержит около 5,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Небольшой размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для экспериментов и задач компьютерного зрения с ограниченными ресурсами. Лицензия — MIT.

regnety_640.seer_ft_in1k — модель классификации изображений семейства RegNetY-64GF, опубликованная в библиотеке timm. Она предварительно обучена с помощью самообучения SwAV на наборе из 2 млрд случайных интернет-изображений, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит около 281,4 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Её можно применять для распознавания объектов и сцен на изображениях, а также как компонент более крупных компьютерно-зрительных систем. Веса доступны в форматах PyTorch и safetensors. Модель распространяется по лицензии SEER от Meta Platforms с некоммерческими условиями и ограничениями на использование и распространение.

Модель zeromodels/res2net50_48w_2s_in1k — реализация на Keras 3 модели Res2Net-50 48w 2s, основанная на чекпойнте timm/res2net50_48w_2s.in1k. Её разработчик — zeromodels; архитектура Res2Net описана в статье «Res2Net: A New Multi-scale Backbone Architecture». Модель представляет многомасштабные признаки внутри остаточных блоков и доступна как классификатор изображений и как backbone для извлечения признаков. Классификатор выдаёт логиты классов, а вариант backbone — признаки, включая многоуровневые признаки этапов сети. Реализация работает через Keras 3 с бэкендами TensorFlow, Torch или JAX. Она предназначена для классификации изображений и использования в качестве основы компьютерного зрения. Лицензия в метаданных указана как неизвестная; README отсылает к YAML карточки и отмечает, что она обычно соответствует лицензии исходного чекпойнта.

timm/resmlp_36_224.fb_in1k — модель классификации изображений семейства ResMLP, обученная авторами статьи на ImageNet-1k. Она подходит для присвоения изображениям категорий из набора ImageNet-1k и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Архитектура построена на feedforward-блоках ResMLP; модель содержит 44,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт метки классов; её признаки также можно использовать для задач поиска и сравнения изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet101.a1_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-B использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные обходные связи 1×1. Модель содержит 44,5 млн параметров и рассчитана на изображения размером 224×224 при обучении и 288×288 при проверке. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений в компьютерном зрении. Для применения доступны веса PyTorch и SafeTensors; лицензия — Apache 2.0. Карточка приводит характеристики вычислительной нагрузки, но не описывает ограничения точности или поведения вне ImageNet-1k.

ResNet101D — сверточная модель классификации изображений из библиотеки timm, обученная в Apache Gluon на ImageNet-1k с использованием рецептов Bag of Tricks. Архитектура включает активации ReLU, трехслойный блок начальной обработки из сверток 3×3 с пулингом и обходные соединения с усредняющим пулингом 2×2 и сверткой 1×1. Модель содержит 44,6 млн параметров, требует около 8,1 GMACs и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для присвоения изображению класса из набора ImageNet-1k; её также можно применять как основу для извлечения карт признаков и векторов изображений. Лицензия Apache-2.0 разрешает использование на её условиях. README не приводит оценки качества именно этой модели; указанная в карточке таблица сравнения относится к другим моделям.

timm/resnet18.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-18 и исходных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Модель содержит около 11,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует ReLU, начальную свёртку 7 × 7 с пулингом и свёртки 1 × 1 в обходных соединениях для уменьшения размерности. Доступны веса PyTorch и safetensors; библиотека модели — timm. Модель подходит для стандартных задач классификации изображений и получения визуальных признаков. Она обучена на ImageNet-1k, поэтому может хуже работать на изображениях из предметных областей, существенно отличающихся от этого набора данных. Лицензия — BSD-3-Clause.

timm/resnetrs101.tf_in1k — модель классификации изображений семейства ResNetRS-B, представленная библиотекой timm. Она обучена авторами статьи на ImageNet-1k и может использоваться для присвоения изображению метки класса, извлечения карт признаков и получения эмбеддингов изображений. Архитектура использует активации ReLU, начальную свёртку 7×7 с pooling и свёртки 1×1 в обходных соединениях. Модель содержит 63,6 млн параметров и требует 6,0 GMACs; размер изображения при обучении — 192×192, при тестировании — 288×288. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для классификации изображений общего назначения; точность зависит от данных и условий применения, а карточка не описывает гарантии качества вне ImageNet-1k.

RetrievalRouter (λ=0.0) — контрольная точка маршрутизатора извлечения документов из исследования RetrievalRouter. Модель разработана для выбора одного из пяти готовых поисковых конвейеров по тексту запроса: с текстовым или мультимодальным поиском, плотным поиском или поздним взаимодействием для переранжирования. Это маршрутизатор, а не поисковая система: он не ищет и не ранжирует документы, а выдаёт выбор конвейера до начала поиска. Контрольная точка λ=0.0 ориентирована на качество и выбирает вариант с наибольшим ожидаемым nDCG@5, не учитывая задержку. Архитектура включает базовую языковую модель Qwen3-0.6B-Base с адаптерами LoRA, среднее объединение последних скрытых состояний в 1024-мерное представление запроса и линейный классификационный слой с пятью выходами. Модель обучена на 85 103 запросах из 11 наборов данных; README сообщает о приросте nDCG@5 на 2,5% и ускорении в 12,4 раза относительно сильнейшего фиксированного конвейера. Для загрузки пользовательского кода модели требуется trust_remote_code=True. Поддерживается английский; другие языки и домены не проверялись. Лицензия — MIT.