IV.6Научные исследования, математика и новые материалы

aryankakad/cupstack_bspline_act — политика управления роботом на основе ACT, разработанная для укладывания стаканов манипулятором SO-101. Модель обучена на 50 демонстрациях одного сценария и использует две камеры — front и gripper — вместе с шестью значениями состояния суставов. Её декодер выдаёт параметры сегментов траектории B-сплайна вместо дискретных блоков действий, что позволяет менять скорость воспроизведения траектории при инференсе без переобучения. Модель содержит 52 млн параметров, использует визуальный backbone ResNet18 с инициализацией ImageNet и обучена в библиотеке LeRobot. При настройке speed_up сегмент можно воспроизводить быстрее, однако слишком высокая скорость может превысить возможности низкоуровневого контроллера. Лицензия — Apache-2.0. Чекпойнт не проверялся на отложенных данных и реальном роботе. Поэтому успешность выполнения задачи и перенос на другие условия не установлены; модель предназначена для конкретной конфигурации камер и сцены укладывания стаканов.

Decision Transformer от Ed Beeching, обученный на экспертных траекториях в среде Gym HalfCheetah. Модель содержит около 786,6 тыс. параметров и использует архитектуру Decision Transformer на PyTorch; длина контекста — 1024 токена. Модель предназначена для управления HalfCheetah в задаче непрерывного контроля: по последовательности состояний и целевых возвратов она предсказывает действия агента. Для применения нужны указанные в карточке коэффициенты нормализации наблюдений. Карточка ссылается на пример использования, ноутбук Colab и статью в блоге. В карточке не указана лицензия. Модель рассчитана на конкретную среду HalfCheetah и обучена на экспертных траекториях, поэтому её применимость к другим средам или распределениям не подтверждена.

Это дообученная версия NVIDIA GR00T-N1.7-3B, созданная автором репозитория nvkartik для управления роботизированной рукой SO-101. Модель обучена на наборе super_chatton: 73 842 кадра из 100 эпизодов, записанных с двух камер — фронтальной и установленной на запястье. Для обучения использовалась библиотека LeRobot; веса опубликованы в формате safetensors. Модель предназначена для преобразования визуальных наблюдений и инструкций в действия робота при манипуляциях. Она выдаёт последовательности действий блоками по 16 шагов и использует относительные действия, кроме управления захватом. Для применения нужны совместимые робот и камеры, а также среда LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Обучение и данные ориентированы на SO-101; перенос на другие воплощения или задачи карточкой не подтверждён.

VLA-Adapter/LIBERO-Object-Pro — дообученная модель Vision-Language-Action для управления роботом в сценариях бенчмарка Libero-Object. Семейство VLA-Adapter разработала команда OpenHelix; модель использует архитектуру Prismatic-VLM с языковой основой Qwen2.5-0.5B и политикой генерации действий. Входом служат изображение и текст, выходом — действия робота. Модель предназначена для интерпретации визуальной сцены и текстового условия с последующим предсказанием действий в робототехнических задачах. В карточке заявлено, что на распространённых робототехнических бенчмарках семейство превосходит ряд открытых VLA-моделей с более крупными языковыми основами; численные результаты для этой конкретной модели в доступном тексте не приведены. Репозиторий содержит веса в формате Safetensors. Лицензия — MIT. Описание ограничено контекстом Libero-Object и не сообщает о переносимости на другие задачи или реальные роботизированные системы.

pravsels/molmoact2_insert_candle_20k — дообученная модель управления робототехническим манипулятором на основе MolmoAct2, опубликованная пользователем pravsels. Она предназначена для выполнения задачи вставки свечи (insert_candle) на роботе SO101; обучение велось на данных villekuosmanen/armnetbench_insert_candle, а чекпойнт инициализирован из allenai/MolmoAct2-SO100_101. Модель использует политику MolmoAct2 с обучением только action-expert-компонента и 20 000 шагами обучения. В качестве модели класса VLA она предназначена для управления манипулятором по визуальным наблюдениям, состоянию робота и текстовой инструкции; веса опубликованы в формате safetensors и используются через библиотеку LeRobot. Лицензия в предоставленных данных не указана.

OctoMed-8B — медицинская мультимодальная модель рассуждения, созданная разработчиками OctoMed на основе Qwen3-VL-8B-Instruct с помощью контролируемого дообучения. Для обучения подготовлен набор более чем из 8 млн трасс рассуждений и 6,8 млрд токенов ответов, полученных с помощью крупномасштабного отбора данных и дистилляции. Модель принимает изображения и текст и выдаёт текстовые ответы; её основное назначение — медицинские вопросы с визуальным контекстом, особенно задания с выбором ответа. В README сообщается о сильных результатах на медицинских бенчмарках вне обучающего распределения. Модель формирует внутренние трассы рассуждений перед финальным ответом. Она дообучена для VQA с выбором ответа; другие задачи могут выполняться, но широко не проверялись. Лицензия — Apache-2.0.

pillIdentifierAI/pillIdentifier — модель классификации изображений таблеток, созданная в рамках школьного проекта. Это дообученная версия vision transformer google/vit-base-patch16-224 с архитектурой ViTForImageClassification и 113,2 млн параметров. Модель анализирует цвет, форму и маркировку таблетки, чтобы отнести её изображение к классу лекарства; обучающие изображения взяты из проекта C3PI Министерства здравоохранения США. Модель предназначена для экспериментальной автоматической идентификации таблеток по изображению. В README сообщается о низкой точности: менее 20% в исходной версии и менее 30% в версии, обученной на 20 наиболее распространённых таблетках. Поэтому её результаты не подходят для надёжной идентификации лекарств или принятия медицинских решений. Лицензия репозитория — AGPL-3.0.

RadSight-8B — медицинская мультимодальная модель для анализа радиологических изображений, разработанная командой Alibaba DAMO Academy. Она дообучена на базе Qwen3-VL-8B-Instruct и использует специализированные визуальные энкодеры для 2D-снимков и трёхмерных КТ-объёмов, объединённые с языковой моделью. Размер 8B относится к языковой основе; полная мультимодальная модель также включает визуальные энкодеры и проекторы. Контрольная точка имеет формат BF16, а для работы нужны код и предобработка RadSight; это не стандартная текстовая модель Transformers. Модель предназначена для визуального распознавания медицинских данных, локализации и описания признаков поражений, клинической интерпретации и генерации радиологических заключений. README описывает прогрессивное обучение от визуально-языкового выравнивания и детального восприятия к диагностической интерпретации. Поддерживаемый язык — английский. Для 2D-изображений используется стандартное разрешение 448 × 448; КТ-объёмы требуют согласованной предобработки, включая ресэмплинг и приведение размеров. Лицензия Apache-2.0. Модель предназначена только для исследований, не является медицинским устройством и не должна самостоятельно использоваться для диагностики, сортировки пациентов, лечения или медицинских рекомендаций.

dobri420/smolvla-so101-pick-cube — политика управления роботом на основе SmolVLA, дообученная на телеоперационных демонстрациях для манипулятора SO-101. Модель предназначена для захвата кубика и перемещения его в коробку; она принимает изображения с трёх камер и 6-DoF-состояние суставов, а выдаёт последовательности из 50 действий, каждое с шестью степенями свободы. В README сообщается об успешном захвате в 72 из 81 испытаний на реальном манипуляторе; результат проверен для трёх глубин досягаемости. При обучении использованы первые 340 эпизодов набора dobri420/pick-cube-so101; базовая VLM была заморожена. Модель распространяется в формате safetensors под лицензией Apache-2.0. Результаты относятся к описанной задаче и установке SO-101 и не подтверждают работу в иных средах или для других объектов.

nota-gmbh разработала эту политику SmolVLA для выполнения задачи захвата и перемещения ручки роботом-манипулятором SO-101. Модель дообучена средствами LeRobot на базе lerobot/smolvla_base по датасету nota-gmbh/pick_and_place_pen_so101, включающему 53 эпизода. Указаны 40 000 шагов обучения и формат весов safetensors. Это VLA-модель, предназначенная для управления роботом при выполнении конкретной задачи pick-and-place. Для надёжного вывода ракурс и разрешение камеры должны соответствовать условиям сбора обучающих данных. Обучение на одной задаче и ограниченном числе эпизодов сужает применимость модели к этому сценарию и настройке сбора данных. Лицензия — Apache-2.0.

Weblab-MedLLM-gpt-oss-120b — медицинская языковая модель, разработанная в рамках проекта NEDO при участии Weblab. Это чат-модель на архитектуре MoE с 120 млрд параметров, основанная на gpt-oss-120b и дообученная на синтетических данных из медицинских статей, книг, клинических рекомендаций и экзаменационных заданий. Она предназначена для ответов на медицинские вопросы и поддержки исследовательских и информационных сценариев на японском языке; в README приведены результаты экзаменационных бенчмарков и пример использования RAG с клиническими рекомендациями. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Для запуска в BF16 требуется около 240 ГБ памяти GPU; в README рекомендованы vLLM и конфигурация как минимум из четырёх H100 80 ГБ. Лицензия — Apache-2.0. Разработчики не рекомендуют напрямую использовать модель для диагностики, выбора лечения или медицинских советов: безопасность и эффективность в реальной клинической практике недостаточно проверены, а ответы не гарантируются по точности, полноте и актуальности.

XiXi_Qwen_base_14b — плотная причинная языковая модель семейства Qwen2 от команды XiXiLM (GouMang), ориентированная на вопросы и ответы в сельскохозяйственной сфере. В карточке указано, что семейство XiXiLM специализируется на выращивании клубнеплодов, защите растений от вредителей и болезней и управлении почвами, а ответы предназначены для сельскохозяйственных специалистов и исследователей. Метаданные указывают 13,4 млрд параметров, контекст до 32 768 токенов и формат PyTorch; модель поддерживает чат и использует конвейер text-generation. Карточка заявляет поддержку китайского и английского языков и описывает применение для консультаций и академических ответов по аграрным вопросам. Указана лицензия other; README говорит о возможности бесплатного коммерческого использования, но в китайской и английской версиях есть расхождение относительно необходимости предварительной заявки, поэтому условия следует проверить в официальных условиях лицензии. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы; агрономические рекомендации требуют проверки специалистом.

robotfuel выпустила экспериментальную ACT-политику для манипулятора SO-ARM101, обученную на 16 эпизодах телеуправления. Модель использует реализацию ACT из LeRobot и предназначена для захвата небольшой коробки с ячейки сетки 20×20 и её перемещения на целевую позицию. Для работы политика принимает изображение с одной камеры на запястье и шесть значений положения суставов, а выдаёт абсолютные целевые положения суставов с частотой 10 Гц. В описанном сравнении политика показала надёжный захват в центре рабочего пространства, но её успешность составила лишь 17% в отдельной оценочной сессии; эта оценка получена на отдельно обученной модели с тем же числом телеуправляемых эпизодов, а не на опубликованном чекпойнте. Модель чувствительна к освещению за пределами обученного диапазона и размещению коробки у дальних углов сетки. Она проверена только на одной задаче, одном манипуляторе, одной сцене и одном операторе. Лицензия — Apache-2.0.

Sepsistral-7B-v1.0 — медицинская языковая модель, созданная дообучением Mistral-7B-v0.1 авторами репозитория nicocolas. Модель обучали на наборах вопросов, ответов и контекста, сгенерированных GPT-3.5-turbo по более чем 10 000 аннотаций статей PubMed о сепсисе. Модель предназначена для ответов на медицинские экзаменационные вопросы, запросы о симптомах, причинах и лечении сепсиса, а также для поддержки дифференциальной диагностики и клинических исследований. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В карточке сообщается о превосходстве над Mistral-7B-v0.1 на медицинских тестах авторов, но подробности оценки не приведены. Авторы предостерегают от применения модели в клинической практике без тщательной адаптации под сценарий и дополнительной проверки, включая рандомизированные контролируемые исследования в реальных условиях. Модель не предназначена для самостоятельного принятия решений, влияющих на пациентов. Лицензия — Apache-2.0.

Cheesexray — модель классификации рентгеновских снимков грудной клетки, дообученная на наборе данных chest-xray-classification. Архитектура основана на ResNet; веса опубликованы в формате safetensors. В README приведены результаты на оценочной выборке: accuracy 0,8883 и loss 0,2827. Модель предназначена для классификации изображений рентгенограмм грудной клетки. Разработчик указывает Apache License 2.0. Карточка не описывает классы, на которых обучалась модель, состав и размер данных, клиническую проверку или условия применения, поэтому опубликованные метрики сами по себе не подтверждают пригодность для медицинской диагностики.

EchoVLM V2 lingshu base 7b instruct preview — медицинская мультимодальная модель, разработанная Chaoyin She и Ruifang Lu в рамках реализации EchoVLM. Это дообученная версия Lingshu-7B на архитектуре Qwen2.5-VL с 7,1 млрд параметров; она принимает изображения и текст и генерирует текстовые ответы. Модель предназначена для диалоговой работы с медицинскими изображениями, в частности для задач ультразвуковой диагностики и универсального анализа УЗИ. Заявленная длина контекста — 128 000 токенов; модель работает с Transformers и сохранена в формате safetensors. В README указано, что опубликованы веса instruction fine-tuned модели на базе Lingshu-7B, а для запуска предлагается ориентироваться на Qwen2.5-VL-7B-Instruct. Метаданные указывают лицензию Apache-2.0. Полные сведения о конкретных возможностях версии preview, качестве на клинических задачах и её ограничениях в доступных материалах не приведены.

LEMR — модель клинического прогнозирования из семейства Lightweight Efficient Multimodal Robustness, разработанная для анализа данных электронных медицинских карт в условиях ограниченных вычислительных ресурсов. Она объединяет почасовые временные ряды жизненных показателей пациента с текстом клинических записей и предсказывает клинические риски; архитектура включает GRU для показателей, замороженный DistilBERT для текста и адаптивный блок мультимодального слияния. Постобработка с температурным масштабированием предназначена для калибровки уверенности предсказаний. Модель ориентирована на стратификацию риска по данным пациентов интенсивной терапии, включая случаи отсутствующих или зашумлённых клинических заметок. README описывает эксперименты на данных MIMIC-IV и режимы экономии видеопамяти, включая AMP и накопление градиентов. Метаданные указывают формат safetensors, архитектуру LEMR и лицензию MIT. Описание не задаёт конкретные целевые диагнозы или метрики качества, поэтому применимость к конкретным клиническим решениям по этим сведениям установить нельзя.

NeuroMed-Cardio-0.8B — многокомпонентная система Ethosoft для выявления кардиомегалии по рентгенограммам грудной клетки. Она сочетает сегментацию сердца и лёгких, детекцию анатомических структур, извлечение радиомических признаков и нейросетевую классификацию, чтобы оценивать кардиоторакальное отношение и выдавать бинарный прогноз кардиомегалии. В метаданных Hugging Face основная задача указана как классификация изображений; система реализована с использованием Keras и опубликована в форматах PyTorch и TensorFlow. В составе системы описаны U-Net++ для сегментации сердца, DeepLabV3+ с ResNet101 для сегментации лёгких, YOLOv11-large для детекции сердца и лёгких и CNN с остаточными блоками и механизмом внимания. Изображения обрабатываются в градациях серого и приводятся к размеру 256×256. В README приведены результаты внешней проверки классификатора: точность 80,8% и F1 81,8%; для сегментации сердца указан IoU 89%, а ансамбль оценок CTR показывает MAPE 5,02%. Модель предназначена для вспомогательного анализа рентгенограмм в задачах кардиологии и радиологии, а не для самостоятельной постановки диагноза. Результаты зависят от качества и характеристик снимков; показатели из README сами по себе не подтверждают клиническую пригодность для всех популяций и условий съёмки. Лицензия — MIT.

SherifAhmed/paligemma-retinal — дообученная мультимодальная модель семейства PaliGemma для задач image-text-to-text. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; название репозитория указывает на применение к изображениям сетчатки глаза, однако карточка не описывает конкретные диагностические возможности или сценарии использования. Модель построена на архитектуре PaliGemmaForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. В метаданных указана лицензия Gemma. Карточка не содержит описания обучающих данных, оценки качества и медицинских ограничений, поэтому пригодность ответов для клинических решений не подтверждена.

Lucyan85 разработал и дообучил XLM-RoBERTa для распознавания именованных сущностей в клинических текстах о раке предстательной железы. Модель находит 10 типов сведений: возраст, биомаркеры, типы рака, оценку Глисона, классификацию TNM, лечение, лекарства, дозировки, операции и даты медицинских событий. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метки для токенов; максимальная длина контекста — 514 токенов. В карточке заявлены F1-score 96,70%, точность 96,41% и полнота 97,00%. Основа — xlm-roberta-base; веса опубликованы в формате safetensors. В метаданных указан испанский язык, а XLM-RoBERTa описана в карточке как многоязычная модель. Лицензия в предоставленных данных не указана.

OphVLM-R1 — мультимодальная модель на 2 млрд параметров для клинических рассуждений в офтальмологии, разработанная авторами проекта OphVLM-R1 на основе OpenGVLab/InternVL3_5-2B. Модель принимает изображения и текст и формирует текстовые ответы. Её обучали в два этапа: сначала LoRA дообучением на офтальмологических данных, затем четырёхэтапным curriculum reinforcement learning для локализации поражений, сравнения изображений, составления отчётов и ответов на вопросы с объединением визуальных данных и клинических знаний. Модель предназначена для анализа офтальмологических изображений, в том числе глазного дна, и клинических вопросов по ним. В README указаны результаты на нескольких бенчмарках; авторы также отмечают, что сравнения между разными бенчмарками следует трактовать осторожно. Это исследовательская модель для поддержки анализа, а не подтверждённая замена клиническому заключению. Репозиторий использует формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов под той же лицензией, но запрещает коммерческое использование.

Модель Anwarkh1/Skin_Cancer-Image_Classification разработана для классификации изображений кожных поражений на семь категорий: доброкачественные кератозоподобные поражения, базальноклеточная карцинома, актинические кератозы, сосудистые поражения, меланоцитарные невусы, меланома и дерматофиброма. Она основана на Vision Transformer (ViT) с патчами 16×16 и предобученной моделью Google ViT на ImageNet21k; классификационная голова заменена и дообучена для этой задачи. Модель содержит 113,2 млн параметров. Модель принимает изображения и выдаёт класс кожного поражения. В README сообщается о точности 96,95% на валидационной выборке после пяти эпох обучения; этот результат относится к описанному набору данных и сам по себе не подтверждает точность на других данных или в клинической практике. Модель предназначена для классификации изображений, а не для постановки диагноза. Репозиторий опубликован по лицензии Apache-2.0.

netdur/gemma-3-4b-radiology — дообученная Netdur модель Gemma 3 4B для создания радиологических описаний по ультразвуковым изображениям. Она принимает изображение и формирует текстовый отчёт с описанием находок и измерений; карточка приводит пример трансвагинального УЗИ. Модель основана на unsloth/gemma-3-4b-it-unsloth-bnb-4bit, обучалась с библиотекой Unsloth на наборе unsloth/Radiology_mini и поддерживает визуальный чат. В репозитории представлены GGUF, включая варианты Q2_K и Q4_K_M, и Safetensors; пример запуска использует llama.cpp. Лицензия — Apache-2.0. Описание в карточке не подтверждает клиническую точность или пригодность для принятия медицинских решений.

Solshine/reflection-llama-3.1-8B-Natural-Farmer-4-16bit — дообученная Solshine языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для генерации текста и диалогов о натуральном земледелии, в частности для ответов о корейском натуральном земледелии, приготовлении ферментированных удобрений и уходе за растениями. В карточке приведены примеры ответов об IMO, FAA и FPJ, а также о ферментации рыбных аминокислот. Модель дообучена на базе Solshine/reflection-llama-3.1-8B-Natural-Farmer-3-16bit; обучение выполнено с использованием Unsloth и TRL. Метаданные указывают контекст до 131 072 токенов, английский язык, чат и интерфейс вызова инструментов. Данные README описывают обучение на 100 примерах, поэтому специализацию следует считать узкой, а качество и точность советов — проверять. Лицензия — Apache-2.0.

MaxNoichl/discipline-tuned_specter_2_015 — дообученная модель Sentence Transformers на базе научного энкодера SPECTER2 от Allen Institute for AI. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; архитектура включает BERT, усреднение токенов и нормализацию эмбеддингов. Модель подходит для семантического поиска и сопоставления текстов, в том числе для поиска по научной литературе, кластеризации, поиска перефразировок и классификации на основе эмбеддингов. Максимальная длина последовательности — 512 токенов. В README приведена оценка cosine_accuracy 0,9706 на наборе TripletEvaluator; её нельзя считать гарантией качества на других данных. Модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не указана.

Orsta-7B — мультимодальная модель зрения и языка, разработанная командой MiniMax-AI на основе Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и дообучена с помощью системы обучения с подкреплением V-Triune на восьми визуальных задачах. Она принимает изображения и текстовые запросы и предназначена для визуальных рассуждений и восприятия: ответов на вопросы по математике и науке, понимания диаграмм и решения головоломок, обнаружения и подсчёта объектов, визуальной локализации и OCR. Контекст составляет до 128 000 токенов; в карточке указан английский язык. Модель распространяется в формате safetensors через Transformers по лицензии MIT.

anuragseven/scifact-biencoder — модель на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством; максимальная длина контекста составляет 512 токенов. Для использования нужны Sentence-Transformers. Лицензия в предоставленных данных не указана.

chowder-embed — модель Sentence Transformers, дообученная на корпусе chowder на базе sentence-transformers/allenai-specter. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура состоит из BERT и CLS-пулинга. Модель принимает текст на английском языке, поддерживает последовательности длиной до 512 токенов, а близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В карточке приведены результаты оценки на наборах NanoSCIDOCS, NanoSciFact, NanoNFCorpus, chowder-val и NanoBEIR. Обучающий набор содержит 70 764 пары anchor-positive. Лицензия в предоставленных данных не указана.

Darwin-36B-Opus — языковая модель FINAL-Bench / VIDRAFT_LAB, полученная эволюционным слиянием Qwen3.6-35B-A3B и её версии, дообученной на примерах рассуждений. Это MoE-модель на архитектуре Qwen3.5 MoE для генерации текста и диалогов с режимом пошаговых рассуждений; в README заявлены 36 млрд параметров всего и около 3 млрд активных, а метаданные указывают 2,9 млрд параметров. Контекст — 262 144 токена. Модель предназначена для сложных вопросов и рассуждений, включая задачи уровня GPQA Diamond; заявлены поддержка нескольких языков и результат 88,4% на GPQA Diamond по описанному авторами протоколу. Модель принимает текстовые запросы и генерирует текст. Доступна в формате Safetensors и распространяется по лицензии Apache 2.0. README описывает её как результат слияния весов без повторной градиентной оптимизации финальной модели; опубликованный бенчмарк включает стохастический повторный отбор ответов, поэтому показатель может зависеть от протокола оценки.

Mungert/Jan-nano-128k-GGUF — это набор GGUF-квантизированных моделей Jan-Nano-128k, созданный Mungert на основе Menlo/Jan-nano с использованием llama.cpp. Модель предназначена для текстовой генерации и исследовательских задач, включая анализ научных статей и длинных документов, синтез информации из нескольких источников, сложные рассуждения и многошаговые диалоги. Указывается совместимость с серверами Model Context Protocol (MCP) и поддержка вызова инструментов при соответствующей конфигурации. Ключевая характеристика модели — нативное контекстное окно до 128 тысяч токенов, рассчитанное на работу с большими объёмами текста без типичной деградации качества при расширении контекста. Модель компактная, но точный размер параметров, архитектура и перечень поддерживаемых языков в карточке не указаны; заявлен английский язык. Доступны варианты GGUF-квантизации, причём автор применяет повышение точности отдельных важных слоёв для улучшения качества на низких уровнях битности, особенно для MoE-моделей, ценой увеличения размера файлов. Сильными сторонами являются длинный контекст, ориентация на глубокий анализ документов и возможность локального запуска через llama.cpp или vLLM. Ограничения включают зависимость характеристик от выбранного варианта квантизации, отсутствие подробных данных о ресурсах и точности, а также необходимость специальной настройки масштабирования RoPE и максимальной длины контекста при развёртывании. Модель распространяется по лицензии Apache 2.0.