II.6Документация и сопровождение разработки

Это модель Sentence Transformers на базе BERT, дообученная Selman Baysan на наборе cleaned_turkish_embedding_model_training_data_colab для получения эмбеддингов предложений и абзацев на турецком языке. Модель преобразует текст в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Архитектура включает BERT и усреднение токенных представлений. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Базовая модель — dbmdz/bert-base-turkish-uncased, число параметров — 137,8 млн. Модель распространяется в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

m3hrdadfi/bert-zwnj-wnli-mean-tokens — модель эмбеддингов на базе BERT, опубликованная пользователем m3hrdadfi. Она предназначена для получения векторных представлений предложений и оценки их семантического сходства; применять её можно через Sentence-Transformers либо Transformers с подходящей операцией pooling поверх контекстных представлений токенов. В модели около 145,5 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. Модель подходит для построения поиска по смыслу, сопоставления похожих предложений и других сценариев, где нужны эмбеддинги текста. Метаданные указывают на BERT и возможности получения эмбеддингов; идентификатор модели и название mean-tokens также указывают на mean pooling. Лицензия в предоставленных данных не указана.

Модель mrm8488/distiluse-base-multilingual-cased-v2-finetuned-stsb_multi_mt-es — испаноязычная модель Sentence-Transformers для оценки семантического сходства предложений и абзацев. Она дообучена на наборе stsb_multi_mt на основе distiluse-base-multilingual-cased-v2 с архитектурой DistilBERT и выдаёт плотные векторы размерности 768. Максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования пар предложений по сходству. В README приведён результат оценки Spearman 0,7604. Репозиторий содержит веса PyTorch; для работы описано использование Sentence-Transformers или Transformers с соответствующим pooling. Лицензия в предоставленных данных не указана.

E5-large-trm-nl — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная CLiPS на модели clips/e5-large-trm для нидерландского языка. Она кодирует запросы и фрагменты текста в векторы для поиска и сравнения по смыслу; карточка приводит пример работы с ранжированием фрагментов MS MARCO и оценку на бенчмарке MTEB-NL. Модель содержит 453,9 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для семантического поиска, сопоставления запросов с документами и других задач сходства предложений на нидерландском языке. Распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT. Качество зависит от соответствия домена и языка входных текстов обучающим данным; опубликованные результаты относятся к бенчмаркам нидерландского языка. Модель выдаёт векторные представления, а не готовые ответы на вопросы.

embeddinggemma-300m-GGUF — это GGUF-версия мультиязычной модели эмбеддингов Google EmbeddingGemma 300M, разработанной Google и преобразованной сообществом cstr без дополнительного обучения, дообучения или изменения архитектуры. Модель предназначена для семантического поиска, retrieval, сравнения текстов по смыслу и других задач feature extraction; поддерживает интеграцию с CrispEmbed и Ollama-совместимыми средами. Модель основана на трансформере Gemma 3 с 300 млн параметров и двунаправленным вниманием. Она использует mean pooling, плотную проекцию 768→3072→768 и L2-нормализацию, формируя эмбеддинги размерности 768. Поддерживается более 100 языков, максимальная длина контекста составляет 2048 токенов. Доступны варианты в форматах F32, Q8_0, Q5_K и Q4_K; F32 обеспечивает наибольшую точность, а квантованные версии требуют меньше памяти. Q8_0 и Q5_K рекомендуются при повышенных требованиях к близости результатов к исходной модели, тогда как Q4_K может давать небольшое снижение качества. Сильные стороны модели — компактный размер, мультиязычность, возможность локального запуска и широкий выбор квантований. Ограничения включают зависимость качества от уровня квантования и необходимость учитывать совместимость с GGUF- и Ollama-совместимыми runtime; модель предназначена для получения эмбеддингов, а не для генерации текста. Распространяется на условиях лицензии Gemma, без предоставления прав сверх условий лицензии исходной модели.

HindSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI на основе l3cube-pune/hindi-bert-v2. Она преобразует предложения и абзацы на хинди в плотные векторы размерности 768 для оценки семантического сходства, поиска и кластеризации текстов. Модель использует архитектуру BERT, имеет 264,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и группировки похожих текстов на хинди. Доступна в формате PyTorch и лицензирована по CC BY 4.0. Для получения эмбеддингов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов.

InternVL3-38B-GGUF — мультимодальная большая языковая модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF командой Unsloth. Модель предназначена для работы с текстом и изображениями, включая мультимодальное восприятие и рассуждение, анализ промышленных изображений, 3D-восприятие, использование инструментов и сценарии GUI-агентов. Заявлена поддержка multilingual-задач. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-32B, соединённые MLP-проектором. Обозначение 38B относится к размеру модели; точные параметры GGUF-квантизации и размер контекста в представленных данных не указаны. Модель основана на OpenGVLab/InternVL3-38B и обучалась с использованием набора данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание визуального и языкового анализа, расширенные мультимодальные возможности и применение в специализированных агентных сценариях. Ограничения, такие как фактическая точность на конкретных задачах, требования к памяти и производительности, зависят от варианта GGUF и в README не уточняются. Указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen, поэтому условия использования следует сверять с лицензиями исходных компонентов.

Это Sentence Transformer на базе RoBERTa, разработанный автором byKim93 и дообученный на базе byKim93/klue-roberta-base-klue-sts-2. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для оценки близости используется косинусное сходство. Архитектура включает RobertaModel и усредняющий пулинг токенов; число параметров — 137,8 млн. Максимальная длина последовательности составляет 512 токенов в README и 514 контекстных токенов по метаданным. README приводит результаты оценки сходства: Spearman 0,8454 и Pearson 0,8517. Данные обучения и примеры в карточке на корейском языке; метаданные не подтверждают поддержку других языков. Репозиторий содержит веса в формате safetensors и опубликован под лицензией, указанной в метаданных Hugging Face.

Модель jfarray/Model_bert-base-multilingual-uncased_1_Epochs — модель на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. По метаданным, модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и опубликована в формате PyTorch. Модель обучена с помощью Sentence-Transformers и функции потерь CosineSimilarityLoss. README не раскрывает обучающие данные и результаты оценки, поэтому качество для конкретных языков и задач по предоставленным сведениям оценить нельзя. Лицензия в доступных данных не приведена.

Nemotron-3-Embed-1B GGUF — это модель для создания текстовых эмбеддингов, основанная на Nemotron-3-Embed-1B-BF16 от NVIDIA и преобразованная в формат GGUF для использования с llama.cpp. Она предназначена для семантического поиска, построения retrieval-систем, сопоставления текстов, кластеризации и других задач, где требуется сравнивать смысловое сходство текстовых фрагментов. Модель использует архитектуру mistral3 (Ministral3): 16 слоёв, скрытое представление размером 2048, 24 Q-heads и 8 KV-heads. Заявлен контекст до 262 тысяч токенов с поддержкой YaRN. Для получения эмбеддингов применяются mean pooling и L2-нормализация. Доступны варианты BF16 размером около 2,2 ГБ и Q8_0 размером около 1,2 ГБ. Поддерживаемые языки и другие модальности в README не указаны. Сильной стороной модели является совместимость с llama.cpp и возможность локального запуска в формате GGUF, включая экономичный вариант Q8_0. Для полного совпадения исходных векторов с реализацией Hugging Face необходимо отключить автоматическое добавление BOS-токена; при стандартной настройке качество поиска, согласно README, не меняется, хотя сами векторы немного отличаются. Лицензия — openmdw-1.1.

Nex-N2-mini — открытая агентная языковая модель компании Nex-AGI, дообученная на базе Qwen3.5-35B-A3B-Base. Она предназначена для разработки программного обеспечения, вызова инструментов, выполнения задач в терминале и исследований с поиском, включая длительные рабочие процессы с обратной связью от среды. Модель объединяет планирование, реализацию, проверку и отладку; заявлены адаптивная глубина рассуждений и согласованный подход к разным агентным задачам. Модель доступна в формате safetensors, работает с библиотекой Transformers и поддерживает диалог. В README описана поддержка function calling и явных трасс рассуждений; для локального развёртывания Nex-AGI рекомендует собственную сборку sglang. Для Nex-N2-mini приведён пример запуска на сервере с двумя H100. Лицензия — Apache-2.0. README заявляет результаты на агентных и программных бенчмарках, но часть таблицы опущена, а подробные показатели Nex-N2-mini в доступном тексте ограничены. Модель ориентирована на сложные агентные сценарии, поэтому её практическая эффективность зависит от окружения, инструментов и вычислительных ресурсов.

Msobhi/Persian_Sentence_Embedding_v3 — модель Sentence Transformers, разработанная на основе FacebookAI/xlm-roberta-large и дообученная на наборах данных для персидского языка, включая задачи поиска вопросов и ответов, семантического сходства и перефразирования. Она преобразует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать косинусной близостью. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Архитектура объединяет XLM-RoBERTa large с усреднением токенных представлений; максимальная длина входа — 512 токенов в README и 514 контекстных токенов по метаданным. Карточка заявляет поддержку персидского, английского, арабского и ряда других языков. Модель содержит 658,7 млн параметров и распространяется в формате Safetensors. В основном обучающие данные ориентированы на персидский язык, поэтому качество для других заявленных языков может различаться; входы длиннее ограничения последовательности требуют усечения или разбиения. Лицензия в предоставленных данных не указана.

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

Qwen3-Embedding-4B-GGUF — это квантизированная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и может применяться в задачах семантического поиска, сравнения предложений, извлечения признаков, кластеризации и построения retrieval-систем. В метаданных указана поддержка английского языка и интеграция с экосистемой Transformers и sentence-transformers. Модель имеет размер около 4 миллиардов параметров; точная архитектура и максимальная длина контекста в README не указаны. Доступны варианты квантизации от Q2_K до Q8_0, IQ4_XS и f16, с размером файлов примерно от 1,8 до 8,1 ГБ. Квантизация позволяет снизить требования к памяти и ускорить запуск, однако варианты с меньшим размером могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди быстрых конфигураций. README не содержит результатов бенчмарков и подробных ограничений качества. Модель распространяется по лицензии Apache-2.0.

Модель hiiamsid/sentence_similarity_spanish_es — испаноязычная модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она построена на архитектуре BERT и предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов на испанском языке. В метаданных указано 137,1 млн параметров и контекст до 512 токенов. Модель дообучена на основе dccuchile/bert-base-spanish-wwm-cased с использованием датасета stsb_multi_mt и функции потерь CosineSimilarityLoss. Веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги, а качество результатов зависит от соответствия входных текстов испанскому языку и ограничения контекста.

textattack/bert-base-uncased-QQP — модель классификации текстовых пар от TextAttack, дообученная на задаче QQP (Quora Question Pairs). Она определяет, являются ли два вопроса перефразами и имеют ли сходный смысл; результат — один из двух классов: похожие или непохожие вопросы. Репозиторий Hugging Face указывает архитектуру BERT для классификации последовательностей, около 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для выявления дублирующих вопросов, группировки похожих запросов и экспериментов с классификацией пар предложений. Она принимает текстовые пары и выдаёт метку класса; по указанной uncased-версии BERT рассчитана на английский текст. Карточка модели не содержит описания лицензии, поэтому условия использования по доступным сведениям определить нельзя.

bertin-roberta-base-finetuning-esnli — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Anibal Pérez, Emilio Tomás Ariza, Lautaro Gesuelli и Mauricio Mazuecos. Модель обучена на испанских задачах вывода по естественному языку, включая ESXNLI и автоматически переведённые SNLI и MultiNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки семантического сходства. Модель содержит 151,8 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В оценке на испанском наборе SemEval-2015 STS она превзошла приведённый в карточке базовый результат BETO STS по корреляциям Пирсона и Спирмена. Для использования с Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии в предоставленных данных отсутствуют.

swardiantara/bert-tiny-sst5-k1-fixed-cosine — компактная Sentence Transformer-модель на базе BERT, дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 и предназначена для поиска и сравнения фраз или абзацев по косинусному сходству. Архитектура включает BertModel с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Обучение описано на 8 554 парах текстов с OrdinalProxyContrastiveLoss; примеры и базовая модель указывают на англоязычные данные. Компактный размер подходит для векторного поиска и семантического сравнения при ограниченных вычислительных ресурсах. Качество и применимость за пределами английского языка карточкой не подтверждены. Лицензия в предоставленных данных не указана.

upskyy/bge-m3-korean — модель Sentence Transformers, дообученная разработчиком upskyy на базе BAAI/bge-m3 на наборах korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения смысловой близости текстов; сходство оценивается косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Основной целевой язык — корейский; метаданные также отмечают многоязычную поддержку. В README приведена оценка на sts-dev: корреляция Спирмена для косинусного сходства 0,8724. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не приведена.

Seznam.cz разработала Dist-MPNet-Paracrawl — компактную модель эмбеддингов на базе BERT, дистиллированную из sentence-transformers/all-mpnet-base-v2 на параллельном чешско-английском корпусе CzEng. Модель предназначена для оценки семантического сходства предложений и может применяться для поиска похожих текстов, извлечения релевантных документов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт представления для сравнения предложений. Она рассчитана на чешский и английский языки. Репозиторий содержит веса PyTorch; лицензия — CC BY-NC-SA 4.0, предусматривающая указание авторства, распространение производных работ на тех же условиях и ограничения на коммерческое использование.

E5-small-v2-t2t — нидерландская адаптация модели intfloat/e5-small-v2, созданная с помощью transtokenizer на основе токенизатора BERTje. Модель использует архитектуру BERT и содержит 39,9 млн параметров; она преобразует текст в эмбеддинги для семантического поиска, сопоставления предложений и оценки их сходства. Подходит для поиска и ранжирования текстов на нидерландском языке, а также для задач извлечения признаков и группировки текстов. Максимальная длина контекста — 512 токенов. Выпускается под лицензией MIT.

Это порт модели Facebook DPR question encoder в формат Sentence-Transformers. Модель на архитектуре BERT с 136,7 млн параметров преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для получения эмбеддингов текста, которые можно использовать для семантического поиска и кластеризации. Она принимает текст и выдаёт векторное представление; для корректной работы через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Лицензия — Apache-2.0.

nickprock/granite-311m-italiano-matryoshka — текстовая модель Sentence Transformers, дообученная автором nickprock на базе ibm-granite/granite-embedding-311m-multilingual-r2 для итальянских задач поиска и сравнения предложений. Она построена на ModernBERT с пулингом CLS и нормализацией выходных векторов. Модель преобразует текст в плотные эмбеддинги размерностью 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных фрагментов для RAG, оценки сходства предложений, поиска перефразировок, кластеризации и классификации. При дообучении использовались 45 181 пример итальянского набора it-wiki-retrieval-synthetic-hn; README также описывает оценки на итальянских наборах SQuAD-it и STSb-it. Репозиторий содержит веса Safetensors и ONNX, модель работает через Sentence Transformers. Лицензия — Apache-2.0.

naufalihsan/indonesian-sbert-large — модель на базе BERT, представленная как sentence-transformers-модель. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения текстов и кластеризации. Обучение с CosineSimilarityLoss ориентировано на сходство предложений; модель также подходит для построения текстовых эмбеддингов. Модель содержит около 433,9 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В карточке указано назначение для индонезийского языка. Доступны веса в формате PyTorch; для использования описаны библиотеки Sentence-Transformers и Transformers. Лицензия в предоставленных данных не указана.

KEmbed-naija-v3 — текстовая модель Sentence Transformers, разработанная matt-wisdom и дообученная на базе BAAI/bge-m3. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство текстов оценивается косинусной мерой. Модель предназначена для семантического поиска и извлечения релевантных документов, в частности для нигерийского набора оценки nigerian-val. Архитектура включает XLM-RoBERTa, объединение представлений методом CLS pooling и нормализацию. README указывает максимальную длину последовательности 256 токенов; метаданные каталога сообщают нативный контекст 8194 токена. В качестве обучающих данных описаны 57 090 пар anchor-positive. Приведённые для nigerian-val значения cosine_accuracy составляют 0,811 при k=1, 0,91 при k=3 и 0,927 при k=5. Модель принимает текст и выдаёт векторы, поэтому подходит для построения семантического поиска и retrieval-систем. Карточка не сообщает лицензию; условия использования следует проверить в репозитории модели.

kimbyl разработал Sentence Transformer на основе kimbyl/klue-roberta-base-klue-sts, дообучив его для получения векторных представлений предложений и абзацев. Модель использует энкодер RoBERTa с усреднением токенных представлений и формирует плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и описание датасета указывают на поддержку корейского языка; в README приведена оценка сходства с коэффициентом Спирмена 0,8304 на использованной оценке. Лицензия в предоставленных данных не указана.

jeongeunKJ/ko-sbert-custom-v1 — корейская модель Sentence-Transformers на архитектуре BERT, дообученная на snunlp/KR-SBERT-V40K-klueNLI-augSTS. Она преобразует предложения и абзацы в плотные векторы размерности 768, используя усреднение токенных представлений; сходство векторов оценивается косинусной мерой. Модель содержит 144 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и сравнения корейских текстов, поиска перефразирований, кластеризации и классификации. В README указана небольшая обучающая выборка из 4361 пары предложений с оценками сходства и обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Blaxzter/LaBSE-sentence-embeddings — копия setu4993/LaBSE с выдачей векторных представлений предложений через pooler_output и кэшированием. Это мультиязычная модель на архитектуре BERT, предназначенная для получения сопоставимых эмбеддингов предложений на 109 языках и поиска соответствующих фрагментов между языками. В метаданных указаны 498,1 млн параметров и контекст до 512 токенов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель подходит для межъязыкового поиска по предложениям и сравнения их семантического сходства, в том числе в многоязычных коллекциях. Обучение исходной LaBSE сочетало masked language modeling и translation language modeling; данная копия также реализует кэширование эмбеддингов. Лицензия — Apache-2.0. Возможности зависят от поддерживаемых языков и качества исходного текста; README не приводит метрик этой копии.

LEALLA-base — компактная многоязычная модель эмбеддингов предложений семейства BERT, созданная как часть коллекции LEALLA и дистиллированная из LaBSE. Версия перенесена из v1 модели на TensorFlow Hub; PyTorch-версия, согласно карточке, выдаёт эквивалентные эмбеддинги. Модель предназначена для преобразования предложений в векторы, сравнения их семантической близости и поиска соответствующих текстов на разных языках. Она поддерживает 109 языков и подходит, например, для многоязычного поиска по парам текстов. Размер составляет 110,4 млн параметров, максимальная длина контекста — 512 токенов. Для некоторых языков, в частности японского, при сравнении эмбеддингов могут потребоваться более высокие допуски. Подробности обучения, оценки и метрик приведены в исходной научной статье. Лицензия — Apache-2.0.

LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.