II.6Документация и сопровождение разработки

tomaarsen/reranker-ModernBERT-base-gooaq-bce — англоязычный cross-encoder, дообученный на данных GooAQ на базе answerdotai/ModernBERT-base с использованием Sentence Transformers. Модель получает пару текстов и оценивает их соответствие одним числовым баллом, который подходит для сортировки кандидатов в поисковой выдаче и семантическом поиске. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает последовательности длиной до 8192 токенов. В README приведены оценки на GooAQ и наборах NanoBEIR; результаты различаются между датасетами, поэтому качество на конкретной коллекции следует проверять отдельно. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Как cross-encoder, она оценивает пары текстов, поэтому для масштабного поиска обычно требуется сначала получить ограниченный набор кандидатов, а затем ранжировать их этой моделью.

ScreenParser — модель обнаружения элементов пользовательского интерфейса, разработанная IBM Research и ETH Zurich. Это YOLO11-L, дообученная на наборе ScreenParse v2 для анализа скриншотов веб-страниц. На вход подаётся изображение экрана, на выходе — рамки объектов, метки классов и оценки уверенности для 55 типов элементов, включая кнопки, поля ввода, меню, вкладки, текстовые блоки и изображения. Модель предназначена для разбора структуры веб-страниц, поиска и классификации видимых компонентов интерфейса. Текущий чекпойнт обучен на 1 447 100 скриншотах с 25 575 213 аннотациями элементов; обучение учитывает разные разрешения экранов. Модель принимает изображения и возвращает разметку в виде рамок и меток. Для извлечения текста из найденных элементов её можно сочетать с OCR или ScreenVLM. Лицензия — Apache 2.0. Модель обучена на скриншотах веб-страниц, поэтому качество может снижаться на скриншотах нативных настольных, мобильных и других приложений, отличающихся от обучающих данных.

Taimwe/securecoder-30b-pro-merged — объединённая 16-битная версия SecureCoder LoRA с базовой моделью unsloth/Qwen3-Coder-30B-A3B-Instruct. Это модель генерации текста на архитектуре Qwen3 MoE; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов, а README описывает ограничение исходной версии в 2 тыс. токенов. Модель предназначена для генерации и анализа кода, а также вызова инструментов в сценариях разработки и работы с кодовой базой. Модель распространяется в формате safetensors и подходит для загрузки в vLLM, TGI, Transformers и SGLang. README сообщает высокие результаты на тестах вызова инструментов, но низкий результат на проверке здравого смысла кода (6,7%); также указано, что модель не проходила обучение безопасности. Репозиторий содержит версию v1, оставленную для воспроизводимости и старых ссылок; актуальной названа v2. Лицензия — Apache-2.0.

mahiyama/splade-ja-310m-v2 — японская модель разреженного поиска SPLADE, разработанная на основе sbintuitions/modernbert-ja-310m. Это дообученный ModernBERT с MLM-головой и max-пулингом SPLADE: он преобразует запросы и документы в разреженные векторы по словарным токенам, которые сравниваются скалярным произведением. Модель предназначена для семантического поиска и извлечения документов; один и тот же энкодер используется для запросов и документов. Обучение включает дистилляцию оценок реранкера и последующую краткую адаптацию на данных административных FAQ, викторин, академических текстов и длинных документов. Модель содержит около 314,6 млн параметров и поддерживает контекст до 8192 токенов. Разреженные представления подходят для инвертированных индексов и позволяют анализировать, какие токены влияют на поиск. В карточке приведена оценка на 11 задачах retrieval JMTEB v2; длина входа при оценке ограничивалась ресурсами GPU и различалась по задачам. Лицензия — MIT.

Это инфраструктурная конверсия текстового энкодера T5Gemma 2 от Google, опубликованная jadanovitch для запуска через vLLM. В репозитории оставлена только текстовая часть базовой модели google/t5gemma-2-4b-4b; веса отображены в формат Gemma3ForCausalLM без изменений, а vision-, decoder- и мультимодальные веса удалены. Модель содержит 4 млрд параметров, 34 слоя, размер скрытого состояния 2560 и двунаправленное внимание. Веса и активации представлены в BF16, заявленный контекст — до 131 072 токенов. Модель предназначена для текстового кодирования, поиска, ранжирования и экспериментов с энкодерной архитектурой в vLLM. Хотя конфигурация позволяет загрузить её через runner для генерации, модель не обучалась как самостоятельная авторегрессионная языковая модель, поэтому обычную генерацию текста нельзя считать её целевым сценарием. Применяются условия лицензии Gemma.

Vela FactCheck — дообученная модель-классификатор из семейства ModernBERT, разработанная llm-semantic-router. Она определяет, требует ли запрос внешних фактических знаний или поиска по источникам; модель не проверяет истинность утверждения. Число параметров — 306,9 млн, контекст — до 32 768 токенов с учётом специальных токенов. Модель принимает текст и выдаёт метку классификации. В карточке приведена оценка на наборе из 186 проверенных запросов: macro F1 — 88,08, точность — 88,17 по шкале 0–100. Этот набор использовался при выборе модели и не является независимым тестом; результаты не показывают качество на входах длиной 32 тысячи токенов. Модель доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

duytran3112/whisper-sm-vivos — дообученная модель распознавания речи на базе openai/whisper-small, опубликованная на Hugging Face. Она предназначена для преобразования аудио в текст; карточка сообщает о дообучении на наборе данных, название которого указано как None. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и принимает аудио, выдавая текст. В оценке на тестовом наборе указаны Loss 0,2370 и WER 54,8563; высокий WER может ограничивать точность транскрибирования. Лицензия — Apache-2.0.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, опубликованная под именем WizardCoder и представленная в этом репозитории как зеркало. Модель содержит 33,1 млрд параметров, использует плотную архитектуру Llama и загружается через Transformers; доступные веса сохранены в формате safetensors. Контекст — до 16 384 токенов. Модель дообучена на базе deepseek-ai/deepseek-coder-33b-base с использованием подхода Evol-Instruct. Она предназначена для генерации программ по инструкциям и решения задач программирования; в карточке приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. README задаёт формат запроса с секциями Instruction и Response и предупреждает, что для воспроизведения результатов важно использовать рекомендованный системный промпт. Лицензия указана в метаданных как WTFPL. Результаты бенчмарков не гарантируют корректность кода в реальных задачах; сгенерированные программы требуют проверки. README отдельно не гарантирует точность количественно сжатых версий.

severinsimmler/xlm-roberta-longformer-large-16384 — PyTorch-перепубликация модели hyperonym/xlm-roberta-longformer-large-16384 без изменений. Это мультиязычная плотная модель архитектуры Longformer, инициализированная весами XLM-RoBERTa без дополнительного предварительного обучения. Она предназначена для дообучения под прикладную задачу и извлечения признаков из текста; окно контекста составляет 16 386 токенов, размер — 658,7 млн параметров. Модель подходит для длинных текстов на поддерживаемых языках и доступна в форматах PyTorch и Safetensors. Лицензия — MIT. Качество на конкретной задаче зависит от последующего дообучения; карточка не описывает готовую специализированную задачу или результаты оценки.

GLM-4.6V-GGUF — набор GGUF-квантизаций модели GLM-4.6V, разработанной zai-org и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Указаны китайский и английский языки. Данные о точной архитектуре, количестве параметров, поддерживаемой длине контекста и конкретных возможностях работы с изображениями в README не приведены. Набор включает варианты квантизации от Q8_0 до Q2_K и IQ2_M, поэтому позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; файлы имеют размер примерно от 43 до 113 ГБ. Квантизации подготовлены с использованием imatrix и llama.cpp, доступны для запуска в LM Studio, llama.cpp и других совместимых проектах. Для работы требуется использовать указанный формат prompt. Ограничения зависят от выбранной квантизации: варианты с меньшим размером могут заметно уступать по качеству, а для запуска большинства сборок требуется значительный объём оперативной или видеопамяти. Модель распространяется по лицензии MIT. README не содержит подробностей об исходных данных обучения, бенчмарках и аппаратных требованиях.

zen-vl-8b-instruct-i1-GGUF — мультимодальная instruction-tuned модель для работы с текстом и изображениями, созданная командой ZenLM на базе zenlm/zen-vl-8b-instruct и квантизированная mradermacher в формате GGUF. Модель предназначена для сценариев image-text-to-text: анализа изображений, ответов на вопросы по визуальному содержимому и выполнения текстовых инструкций с учётом изображений. Модель содержит около 8 миллиардов параметров, поддерживает английский язык и относится к vision-language моделям. В репозитории представлены варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильной стороной является сочетание мультимодальных возможностей и большого выбора компактных GGUF-квантизаций, включая рекомендуемый вариант i1-Q4_K_M и сбалансированный по размеру, скорости и качеству i1-Q4_K_S. Ограничения включают возможное снижение качества у низкобитных вариантов, отсутствие в README сведений о размере контекстного окна, производительности и результатах тестирования, а также необходимость совместимого программного обеспечения и, вероятно, дополнительного vision-проектора. Распространение указано по лицензии Apache-2.0.

AynCoding-Qwen3-8B-Slim — модель генерации текста и кода от разработчика, указанного в репозитории enver. Она основана на Qwen3-8B и, согласно карточке, дообучена с акцентом на синтез программного обеспечения, архитектурные рассуждения, классическую арабскую логику Mantiq и морфологию арабских корней. Карточка также заявляет об удалении части знаний и структурном прореживании; файлы модели представлены в формате GGUF и занимают около 2,8 ГБ. Модель предназначена для генерации кода, проектирования программных компонентов и решения задач на логику, в том числе на английском и арабском языках. В README описаны механизмы черновой генерации, проверки логики и уточнения кода, а также приведены высокие результаты на HumanEval и EvalPlus; эти показатели являются заявлениями карточки. Метаданные указывают задачу text-generation и базовую модель Qwen/Qwen3-8B. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.

Alesub/bert-finetuned-ner — модель семейства BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она принимает текст и присваивает метки отдельным токенам; подходит для извлечения сущностей из текста в задачах обработки естественного языка. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и поддерживает контекст до 512 токенов. Используются библиотека Transformers и формат весов Safetensors. В карточке приведены результаты оценки: precision 0,375, recall 0,6, F1 0,4615 и accuracy 0,4. Датасет указан как None, поэтому назначение меток и языки обучения определить нельзя. Лицензия — Apache-2.0.

google/bert_uncased_L-6_H-256_A-4 — компактная англоязычная модель семейства BERT, опубликованная Google как часть набора BERT Miniatures. Это плотный трансформер с 6 слоями, размером скрытого представления 256 и 4 головами внимания; в репозитории около 14,1 млн параметров, контекст — до 512 токенов. Модель обучена без учёта регистра с маскированием токенов WordPiece и доступна в форматах PyTorch и Flax под лицензией Apache-2.0. Модель предназначена для запуска в условиях ограниченных вычислительных ресурсов и последующей настройки на задачи понимания текста, например классификацию и оценку сходства предложений. Авторы отмечают, что компактные варианты особенно эффективны при дистилляции знаний от более крупной и точной модели; их также можно дообучать обычным способом. README приводит результаты оценки семейства на GLUE, но не отдельные показатели именно этой конфигурации. Модель принимает текст и выдаёт контекстуальные представления токенов, которые обычно используют как основу для классификаторов и других задач NLP. Она рассчитана на английский язык и не предназначена для генерации текста. По сравнению с крупными BERT-моделями компактность снижает требования к ресурсам, но может ограничивать качество на сложных задачах; конкретные ограничения качества для этой конфигурации в карточке не приведены.

CAT-LM — языковая модель GPT-стиля, разработанная Nikitha Rao и соавторами для работы с программным кодом. Модель обучена на корпусе проектов Python и Java объёмом около 260 ГБ с сигналом предобучения, который учитывает связь между исходным кодом и тестовыми файлами, если такая связь доступна. Модель предназначена для генерации кода и других задач продолжения текста в контексте разработки программного обеспечения. В README указано 2,7 млрд параметров, а в метаданных Hugging Face — 3,5 млрд; оба источника указывают контекст до 8192 токенов. Архитектура в метаданных обозначена как GPT-NeoX, формат весов — PyTorch. Модель опубликована в рамках исследования на конференции ASE 2023. Сведения о лицензии MIT приведены в метаданных. README предупреждает, что модель обучалась без специального токена `` и его следует удалять при использовании.

Cendol mT5-XXL Instruct — разработанная IndoNLP инструкция-настроенная генеративная модель на архитектуре mT5 с 6,7 млрд параметров по метаданным репозитория. Она предназначена прежде всего для индонезийских языков и одношагового выполнения инструкций. Модель подходит для анализа тональности и тем, машинного перевода, суммаризации, ответов на вопросы и перефразирования. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель относится к семейству Cendol, обученному для работы с индонезийскими языками; в метаданных среди языковых тегов указаны индонезийский, сунданский и яванский. В README указано, что версия mT5-XXL Instruct обучалась с LoRA. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением рекомендуется проверять её в целевых сценариях и настраивать меры безопасности.

CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

BrainboxAI/code-il-E4B-safetensors — репозиторий с полной версией весов 16-битного помощника по программированию code-il-E4B, созданного Нетанелем Элиаси из BrainboxAI. Это дообученная Gemma 4 E4B Instruct с плотной архитектурой Gemma4ForConditionalGeneration; веса хранятся в формате safetensors и предназначены для работы через Transformers, дальнейшего обучения на частном коде и конвертации в другие форматы. Модель помогает писать и анализировать код, в том числе на Python и TypeScript; при запросе на иврите отвечает на иврите, а сам код формирует на английском. Базовая Gemma 4 также поддерживает анализ изображений, однако карточка этой версии описывает её прежде всего как текстового помощника по программированию. Этот вариант рассчитан на разработчиков, которым нужны полные веса для обучения или конвертации, а не на обычный запуск для повседневного программирования: файл весов занимает 16 ГБ. Для запуска автор рекомендует сжатую сборку BrainboxAI/code-il-E4B. Лицензия — Apache 2.0.

code-nothink-o7b-20260908 — кодовая языковая модель на базе Olmo-3-1025-7B, созданная для оценки генерации кода без режима рассуждений NoThink. Разработчик обучил LoRA-адаптер рангу 64 на паре проинструктированных примеров для кода, затем объединил его с базовой моделью; в репозитории размещены полные веса bf16 в формате safetensors. Модель имеет 6,9 млрд параметров и контекст до 65 536 токенов по метаданным; при обучении и описанной оценке использовался контекст 8 192 токена. Основной сценарий — генерация кода и решение задач программирования. В оценке LiveCodeBench DEV256 модель прошла 46 из 256 задач (18,0%) в режиме NoThink против 20 из 256 (7,8%) у базовой Olmo-3-1025-7B при том же протоколе; результат обозначен авторами как односидовый исследовательский, а не подтверждающий вывод. Для инференса автор рекомендует использовать токенизатор и шаблон чата из репозитория, не добавляя префикс режима рассуждений. Лицензия — Apache-2.0.

Coding Monkey Gemma GGUF — модель, разработанная TheOneWhoWill на базе Gemma 4 12B. Это дообученная версия, ориентированная на генерацию кода и надёжное использование инструментов в агентских сценариях, включая вызовы функций, работу с базами данных, knowledge graph, shell-командами и терминальными действиями. Модель предназначена для локальной разработки и запуска на системах с ограниченным объёмом VRAM. Дообучение выполнено методом QLoRA на 5 211 примерах, преимущественно связанных с function calling и агентскими задачами. По данным README, на отложенном наборе из 102 запросов точность корректного вызова инструментов составила 70,6% против 26,5% у базовой модели, а валидность формата достигла 98%. Доступны варианты в формате GGUF с квантованием fp16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; в примере использования указан контекст до 32 768 токенов. Сильная сторона модели — улучшенная генерация структурированных вызовов инструментов и пригодность для локальных coding-agent систем. Ограничения включают специализацию на tool calling и кодировании, возможное снижение качества при сильном квантовании, а также отсутствие в README подробных сведений о поддерживаемых языках, мультимодальности и комплексных результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

DeepMagic-Coder-7b-Alt — альтернативная версия DeepMagic-Coder-7b от rombodawg, созданная слиянием DeepSeek-Coder и Magicoder-S-DS методом task arithmetic. Автор сообщает, что при кратком тестировании эта версия лучше генерировала код, и предлагает сравнить её с исходной; результаты бенчмарков в карточке не приведены. Модель предназначена для генерации кода и работает как плотная авторегрессионная Llama-архитектура с 6,6 млрд параметров. Метаданные указывают контекст до 16 384 токенов и формат safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями исходных компонентов.

Mr-Vicky-01/Gemma-2B-Finetuined-pythonCode — дообученная на задачах программирования модель на архитектуре Gemma-2B, разработанная автором репозитория Mr-Vicky-01. Она предназначена для генерации и дополнения фрагментов Python-кода, поиска синтаксических ошибок, помощи при отладке и рекомендаций по улучшению читаемости и эффективности кода. Модель содержит 2,5 млрд параметров, использует архитектуру GemmaForCausalLM, принимает текст и выдаёт текст; максимальный контекст — 8192 токена. В метаданных указан датасет flytech/python-codes-25k, а README описывает задачи Python-программирования. Модель распространяется в формате safetensors по лицензии MIT. Карточка не приводит результатов оценки качества, поэтому надёжность и корректность сгенерированного кода следует проверять перед использованием.

GLiNER2 — модель извлечения информации, дообученная whr778 на синтетическом корпусе synthetic_sonnet5_1k на базе fastino/gliner2-base-v1. Она предназначена для извлечения сущностей, отношений между ними, событий и их аргументов, а также для классификации текста; в метаданных Hugging Face основная задача обозначена как token-classification. Модель использует библиотеку gliner2, а веса доступны в формате safetensors. Это экспериментальный контрольный чекпойнт, обученный на 1 497 записях в течение 10 эпох. В README приведены результаты на синтетическом отложенном тестовом наборе: например, F1 для сущностей — 0,904 строго и 0,933 с допуском, для отношений — 0,657 и 0,745 соответственно. Эти оценки показывают согласованность синтетических данных и не являются заявлением о качестве на публичных бенчмарках или реальных данных. Язык и лицензия обучающего набора не установлены; в метаданных лицензия модели указана как other.

Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.

Iso-ModernColBERT — англоязычная много-векторная модель для семантического поиска и ранжирования документов, разработанная TopK.io. Это изотропно скорректированная версия GTE-ModernColBERT-v1 на архитектуре ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Модель кодирует запросы и документы в наборы векторов и поддерживает позднее взаимодействие в стиле ColBERT; в TopK она также применяется со Sparse Multi-Vector Encoding (SMVE). Модель рассчитана на производственные системы поиска, где важны качество ранжирования и скорость извлечения. По внутренним оценкам разработчика на наборах BEIR и NanoBEIR версия bf16 сохраняет качество ранжирования, близкое к fp32, и ускоряет инференс до трёх раз относительно исходной модели; SMVE предназначен для масштабируемого поиска кандидатов с последующим ранжированием. Эти результаты получены во внутреннем тестовом контуре, а README отмечает, что некоторые показатели выигрыша SMVE обусловлены крайне низкой базовой оценкой исходной модели. Лицензия — Apache-2.0. Модель ориентирована на английский язык; заявленный контекст — 8192 токена. Она предназначена для получения векторов и оценок релевантности, а не для генерации ответов. Результаты README относятся к указанным поисковым бенчмаркам и конфигурациям, поэтому качество на других корпусах и при иных настройках отдельно не подтверждено.

Redis разработала sentence-transformers bi-encoder, дообученный на базе Alibaba-NLP/gte-modernbert-base для семантического кэширования в LangCache. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В карточке указаны архитектура ModernBERT, библиотека Sentence Transformers и Apache-2.0. Модель подходит для сравнения текстовых запросов и поиска семантически близких формулировок, например для повторного использования результатов кэша при перефразированных запросах. README сообщает максимальную длину последовательности 100 токенов, тогда как метаданные каталога указывают нативный контекст 8192 токена; для практического применения следует учитывать ограничение из карточки модели. В README приведены метрики retrieval-оценки, но их результаты относятся к указанному тестовому набору и не гарантируют качество на других данных.

Redis разработала эту модель Cross-Encoder для оценки пар текстов в сценариях семантического кэширования LangCache. Она дообучена на Alibaba-NLP/gte-reranker-modernbert-base с использованием библиотеки sentence-transformers и датасета LangCache Sentence Pairs. Модель принимает пару текстов и возвращает оценку их соответствия, которую можно использовать для классификации пар и переранжирования результатов поиска. Модель построена на ModernBERT, имеет 149 млн параметров и максимальную длину последовательности 8192 токена. Она рассчитана на английский язык. В README приведены результаты оценки классификации и переранжирования на тестовых наборах, однако результаты на наборах NanoQuoraRetrieval, NanoMSMARCO и NanoNQ ниже показателей базовой модели. Модель распространяется по лицензии Apache-2.0.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах на немецком языке в приложениях с генерацией с дополнением извлечёнными данными (RAG). Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification и примерно 607,8 млн параметров. Модель получает контекст и ответ и помечает на уровне токенов фрагменты ответа, которые не подтверждаются контекстом; предсказания можно объединять в участки текста для проверки. Модель обучена на переведённом наборе RagTruth-DE и рассчитана на немецкий язык. Контекстное окно — до 8192 токенов. В описанных авторами оценках F1 составил 74,95% на тесте RagTruth-DE и 71,79% на вручную проверенных 300 примерах. Вариант на 610 млн параметров требует больше вычислительных ресурсов, чем вариант на 210 млн. Репозиторий распространяется по лицензии MIT.

KRLabsOrg LettuceDetect French v1 — модель для выявления галлюцинаций в ответах генеративных систем с опорой на контекст, предназначенная для многоязычных RAG-приложений. Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification, содержащая 607,8 млн параметров и принимающая контекст вместе с ответом для токенной классификации. Поддерживается контекст до 8192 токенов; модель обучена на французской версии набора RagTruth-FR. Модель отмечает токены ответа, не подтверждённые предоставленным контекстом, чтобы затем выделить подозрительные фрагменты. В описанной оценке на переведённом RAGTruth-FR она показала F1 73,13% и полноту 80,38%; эти результаты относятся к указанному набору данных и не гарантируют такого же качества на других данных. Для запуска используется библиотека Transformers, а карточка отмечает несовместимость загружаемого удалённого кода с Transformers 5.x. Лицензия — MIT.

Ertas AI предлагает настраиваемую версию LFM2.5-230M от Liquid AI — компактной плотной языковой модели с 221,2 млн параметров для генерации текста. Модель дообучена на пользовательских данных с помощью Ertas AI; она принимает текст и поддерживает чатовый формат и вызов инструментов. В карточке указаны 14 слоёв: 8 блоков LIV с двойными воротами и 6 блоков GQA. Метаданные указывают контекст до 128 000 токенов, а README — 32 768 токенов. Модель предназначена для извлечения данных и лёгких агентных сценариев на устройствах с ограниченными ресурсами. Она поддерживает английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский языки. Небольшой размер и быстрая генерация подходят для локального запуска, однако модель не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.