IV.8Государственное управление, правосудие и чрезвычайные ситуации

MobileViT-S, обученная исследовательскими группами TU Berlin, RSiM, DIMA, BigEarth и BIFOLD на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков. Модель предназначена для анализа данных дистанционного зондирования Sentinel-1 и Sentinel-2 с использованием их спектральных каналов. Опубликованные веса получены после 31 эпохи обучения; в README приведены результаты на тестовой выборке BigEarthNet v2.0: macro average precision 0,706 и micro average precision 0,862. Для загрузки указана библиотека configilm, веса доступны в формате safetensors. Лицензия — MIT.

Это дообученная модель FacebookAI на базе RoBERTa для классификации текста. По архитектуре RobertaForSequenceClassification она предназначена для отнесения текста к классам; название репозитория указывает на классификацию твитов о катастрофах и распознавание попыток jailbreak, дополненных аугментацией. В README указаны точность 0,9717 и loss 0,1776 на оценочном наборе, но состав и методика оценки не описаны. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель выпущена в формате safetensors и распространяется по лицензии MIT. Базовая RoBERTa ориентирована на английский язык; карточка не раскрывает точный набор классов, обучающие данные и ограничения, поэтому показатели качества нельзя уверенно переносить на другие корпуса и сценарии.

Это модель SepFormer, разработанная командой SpeechBrain и обученная на наборе WHAMR! для улучшения речи: она подавляет окружающий шум и уменьшает реверберацию в аудиозаписях. Модель рассчитана на обработку речи с частотой дискретизации 8 кГц и реализована на PyTorch с использованием SpeechBrain. Модель принимает аудиосигнал и выдаёт очищенный аудиосигнал. На тестовой выборке WHAMR! показала SI-SNR 10,59 дБ и PESQ 2,84. Репозиторий распространяется по лицензии Apache-2.0. Качество на других наборах данных не гарантируется.

Это перенесённая в Transformers модель S3PRL на базе wav2vec2-base, подготовленная для задачи определения личности говорящего в рамках бенчмарка SUPERB. Она относит речевое высказывание к одному из заранее заданных классов говорящих; для обучения и оценки использовался VoxCeleb1. Модель содержит 113,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель подходит для классификации говорящих в закрытом наборе известных личностей и экспериментов по распознаванию речи. В оценке SUPERB на тестовой части указана точность 0,7518. Это классификатор аудио, а не система транскрипции речи; применение к новым говорящим вне обученного набора не описано. Лицензия — Apache-2.0.

WWWxp/wav2vec2_spoof_dection1 — модель аудиоклассификации, дообученная разработчиком на основе facebook/wav2vec2-base на наборе ASVspoof2019. Она предназначена для классификации аудиозаписей в задаче обнаружения спуфинга речи. Модель построена на архитектуре Wav2Vec2ForSequenceClassification, содержит 113,3 млн параметров и распространяется в формате PyTorch. Модель можно применять для проверки речевых записей на признаки спуфинга в сценариях, связанных с противодействием подделке голоса. Лицензия — Apache-2.0. Карточка не содержит описания меток классов, результатов оценки или рекомендаций по эксплуатации, поэтому качество и пригодность для конкретных условий по ней установить нельзя.

MattyB95/AST-ASVspoof2019-Synthetic-Voice-Detection — модель классификации аудио на основе Audio Spectrogram Transformer (AST), дообученная на базе MIT/ast-finetuned-audioset-10-10-0.4593. Репозиторий указывает датасет audiofolder, а название модели связывает её с ASVspoof 2019 и обнаружением синтетического голоса. Модель предназначена для классификации аудиозаписей при проверке на синтетическую или поддельную речь. Она содержит 113,2 млн параметров и принимает аудио; метаданные указывают английский язык. Лицензия — MIT. README не приводит метрик оценки и не раскрывает классы, обучающие данные или ограничения, поэтому качество обнаружения и пригодность для конкретных условий записи по карточке оценить нельзя.

Mungert/gpt-oss-safeguard-20b-GGUF — это GGUF-квантизированная версия модели gpt-oss-safeguard-20b, разработанной OpenAI и преобразованной с помощью llama.cpp. Модель предназначена для задач безопасности: классификации текстового контента по заданным пользователем политикам, фильтрации входов и выходов LLM, разметки онлайн-контента и офлайн-сценариев Trust and Safety. Модель основана на gpt-oss и использует архитектуру Mixture of Experts. Она содержит около 21 млрд параметров, из которых активно используется около 3,6 млрд, и может работать на GPU с 16 ГБ VRAM. Поддерживает настраиваемый уровень рассуждений — low, medium или high — для баланса между качеством и задержкой. Модель обучена работать в формате ответов harmony и, согласно карточке, может работать некорректно без него. Она интерпретирует текстовую политику безопасности, что позволяет адаптировать её к разным продуктам и сценариям без значительной дополнительной инженерной настройки. Сильными сторонами являются специализированное рассуждение о безопасности, объяснимые решения с доступом к процессу рассуждений и возможность выбора уровня вычислительных затрат. GGUF-версия использует экспериментальный подход к квантизации с повышением точности отдельных важных слоёв, что увеличивает размер файла, но может улучшать точность при низкой разрядности, особенно для MoE-моделей. Ограничения включают узкую ориентацию на сценарии безопасности, необходимость применения harmony-формата и то, что необработанный процесс рассуждений предназначен для разработчиков и специалистов по безопасности, а не для показа обычным пользователям. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование без copyleft-ограничений.

PLJIANGG05 выпустил дообученную на базе Qwen/Qwen3.5-4B модель для классификации пользовательского ввода по меткам SAFE и UNSAFE. Это текстовый классификатор на архитектуре Qwen3.5 с плотными весами; репозиторий содержит объединённую BF16-модель и исходные тензоры LoRA. Для вывода применяется сравнение условных логарифмических правдоподобий двух меток с фиксированными параметрами калибровки и порогом проверки. Модель предназначена для предварительной сортировки запросов по признаку опасного намерения в системах модерации и безопасности. В обучающих данных есть английский и китайский текст, однако приведённое расширенное сравнение выполнено только на английском и не подтверждает качество на китайском или других языках. Классификация ограничена текстовым вводом; сохранение мультимодальной архитектуры Qwen не означает поддержку проверки изображений или видео. Максимальный контекст классификатора — 1 024 токена; при превышении длины текст обрезается, что может удалить важные для оценки сведения. Автор характеризует модель как исследовательский классификатор, а не универсального ассистента или независимо сертифицированную систему безопасности. Метка SAFE не гарантирует безвредность запроса или последующего ответа; опубликованные оценки не основаны на новом слепом тестовом наборе. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

RexSeek-3B — мультимодальная модель IDEA-Research для поиска на изображениях людей и объектов, соответствующих текстовому описанию. Она предназначена прежде всего для задач, где выражение может относиться сразу к нескольким экземплярам, например к людям с заданной одеждой или в определённом положении относительно друг друга. Модель сочетает визуальные энкодеры CLIP и ConvNeXt, детектор DINO-X для подготовки предложений областей и языковую модель Qwen2.5. На вход подаются изображение, текстовое описание и предложения рамок объектов; на выходе модель возвращает индексы подходящих объектов. Для генерации предложений рамок в примерах используются GroundingDINO, а для сегментации — SAM; эти компоненты входят в демонстрационные конвейеры, а не в заявленный состав RexSeek. Размер модели — 3,1 млрд параметров, контекст — 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Модель подходит для визуального поиска нескольких объектов по естественному языку, в том числе в сценах с множеством людей и сложными атрибутами, пространственными отношениями или взаимодействиями. В README также описаны HumanRef и оценка задачи по точности, полноте и DensityF1. Указана лицензия other; конкретные условия использования следует сверять с лицензией в репозитории.

RooseBERT-scr-uncased — англоязычная BERT-модель для политического дискурса, разработанная авторами RooseBERT и обученная с нуля на парламентских речах и политических дебатах. Это энкодерная архитектура BERT-base с 136,7 млн параметров, пользовательским uncased WordPiece-токенизатором на 30 522 токена и контекстом до 512 токенов; модель приводит входной текст к нижнему регистру. Модель предназначена прежде всего для последующего дообучения на анализе политических текстов: классификации тональности и позиции, выделения и классификации компонентов аргументации, определения отношений между аргументами, классификации политических инициатив и распознавания именованных сущностей. В качестве masked language model она также выполняет заполнение маски. Предобучение проведено на корпусе английских парламентских выступлений и дебатов; в описанной оценке вариант превзошёл BERT-base-uncased в 8 из 10 задач. Модель рассчитана на английский язык и не поддерживает кросс-языковое применение. Uncased-токенизация теряет различия регистра, что может ухудшить задачи с именами собственными и акронимами; для общих категорий NER доменное предобучение может не давать выигрыша. Как энкодер, модель лучше подходит для классификации и разметки, чем для генерации. Лицензия — Apache-2.0.

NVIDIA SegFormer-B1 — модель компьютерного зрения для семантической сегментации изображений, дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; семейство SegFormer представлено в работе Xie и соавторов. В репозитории доступны веса PyTorch и TensorFlow. Модель предназначена для присвоения метки каждому пикселю изображения, например для анализа сцен и выделения объектов и областей окружения. Она принимает изображение и выдаёт карту семантической сегментации. Обучение описано для ADE20K; лицензия в метаданных обозначена как other, поэтому условия использования следует уточнить в репозитории.

tax-reranker-minilm — модель-реранкер, разработанная для поиска ответов по Закону о подоходном налоге Индии 2025 года. Она дообучена на базе cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой; метаданные указывают 25,9 млн параметров и контекст до 512 токенов. Модель принимает вопрос и текстовый фрагмент, оценивает их соответствие и помогает переупорядочить результаты, полученные на первом этапе поиска в системе TaxRAG. Модель предназначена для ранжирования разделов закона по вопросам, сформулированным на основе содержания разделов. В описанной оценке она немного превзошла базовый реранкер на вопросах такого типа, однако хуже него справлялась с формулировками, построенными по заголовкам разделов. На CPU ранжирование 15 кандидатов длиной 256 токенов занимает около 2,5 секунды на четырёхъядерном ноутбуке. Это вспомогательный инструмент поиска, а не источник юридических или налоговых консультаций. Лицензия — Apache-2.0.

Карточка модели torchgeo/vit_small_patch16_224_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Карточка модели torchgeo/resnet50_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet18_sentinel2_all_moco, поэтому описание составлено по ней. Карточка модели torchgeo/resnet18_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Это веса ResNet-50 для изображений Sentinel-2, опубликованные TorchGeo и изменённые для загрузки с помощью timm. Модель предназначена для классификации спутниковых изображений; метаданные Hugging Face также указывают задачу image-classification и библиотеку TorchGeo. В репозитории хранятся веса PyTorch, лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

CARDS-Qwen3.6-27B-i1-GGUF — мультимодальная vision-language модель на базе C3DS/CARDS-Qwen3.6-27B-API, доработанная для задач, связанных с климатом и изменением климата. Модель разработана на основе датасета C3DS/cards_sft_dataset, а GGUF-квантизации подготовлены mradermacher. По заявленным данным, основной язык — английский. Модель предназначена для анализа климатического дискурса и классификации материалов по тематике климата и изменения климата. Она поддерживает обработку текста и изображений, поэтому может применяться в сценариях vision-language, где требуется совместно интерпретировать текстовые и визуальные входные данные. Размер базовой модели составляет 27 миллиардов параметров; конкретный размер контекста в README не указан. Модель распространяется в формате GGUF с несколькими вариантами квантизации, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. В README рекомендуются варианты i1-Q4_K_S и i1-Q4_K_M, при этом некоторые низкобитные варианты отмечены как имеющие низкое качество. Ограничениями являются зависимость качества от выбранной квантизации, отсутствие опубликованных в README подробных результатов оценки и неизвестный размер контекстного окна. Лицензия — Apache-2.0.

tanganke/clip-vit-large-patch14_eurosat — дообученная на наборе EuroSAT модель визуального энкодера CLIP ViT-Large с размером патча 14. Она извлекает признаки из спутниковых изображений и предназначена для задач классификации земного покрова и других сценариев, связанных с содержимым EuroSAT. В метаданных указано 402,7 млн параметров; веса представлены в формате safetensors. В README приведены результаты оценки до и после дообучения: 0,615 и 0,992 соответственно, однако метрика и протокол оценки не описаны. Модель принимает изображения и возвращает векторные признаки. Она дообучена на EuroSAT; сведений о поддержке текстового ввода, контекстном окне или лицензии в предоставленных источниках нет.

Модель leomaurodesenv/electra-base-discriminator-disaster-tweet-jailbreaking — дообученный англоязычный энкодер ELECTRA для классификации текста. Она основана на google/electra-base-discriminator и содержит 136,7 млн параметров; модель рассчитана на последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7258 и loss 0,5879, но набор меток и данные оценки не описаны. Модель можно применять для классификации коротких текстов, в частности твитов, если нужные классы соответствуют её обучению. Название указывает на тематику сообщений о катастрофах и jailbreaking, однако README не раскрывает точную задачу, датасет или метки, поэтому конкретные сценарии требуют проверки. Доступны веса в формате Safetensors; лицензия — Apache-2.0.

MachineLearningLawyer/moderate-101-rejection-examiner — модель бинарной классификации текста, обученная с помощью AutoTrain на наборе данных Awesome7749/autotrain-data-patent-101. Она построена на архитектуре DeBERTa и содержит 151,8 млн параметров; модель принимает текст длиной до 512 токенов и предназначена для отнесения примеров к одному из двух классов. В карточке приведены метрики валидации: accuracy 0,851, precision 0,598, recall 0,537, AUC 0,846 и F1 0,566. По названию и датасету модель ориентирована на классификацию патентных заявок по признаку отклонения, однако описание классов и правила их интерпретации в карточке не раскрыты. Лицензия не указана в предоставленных данных.

Redflag Detection V4.0 — медицинская модель извлечения тревожных симптомов и контекстных признаков из текста. Разработчик дообучил Qwen2.5-7B-Instruct с помощью LoRA; модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и рассчитана на контекст до 32 768 токенов. Она формирует структурированный JSON по схеме из 96 симптомов, признаков тяжести, факторов риска и контекстных флагов, чтобы передать результаты механизму правил для определения совпавших и предполагаемых медицинских тревожных признаков. Модель предназначена для извлечения симптомов и контекста из медицинских сообщений, а не для самостоятельной постановки диагноза. В README приведены результаты проверки на выборке из 269 примеров: точность и полнота зависят от режима подсчёта, а полнота в строгом режиме составляет 0,749. Для применения через описанный интерфейс vLLM требуется отдельный движок правил V20 с 59 правилами. Карточка указывает лицензию Apache-2.0. Модель обучена на английских данных; метаданные также отмечают китайский и малайский языки, но качество для них не приводится.

VerwaltungsAnthologie_clear_simbad_7B — объединённая языковая модель на архитектуре Mistral-7B, созданная Marc Grumpy Olejak с помощью mergekit и метода DARE TIES. Она предназначена как промежуточная основа для последующих слияний моделей, в частности для создания VerwaltungsAnthologie_Disco_7B вместе с DiscoLM_German_7b_v1. Модель объединяет четыре дообученные модели на базе Mistral-7B-v0.1. Основной вклад вносит simba-01d-ftb, ориентированная на упрощённый немецкий язык; также включены модели с немецкими юридическими текстами, смешанными языками и разговорным немецким. Размер составляет 7,1 млрд параметров, контекст — 32 768 токенов. Модель генерирует текст и особенно ориентирована на немецкий язык, включая упрощённые формулировки и правовую тематику. Модель описана как промежуточный чекпойнт для дальнейшего слияния, поэтому её пригодность как самостоятельного прикладного решения не установлена. В README упоминается склонность одной из исходных моделей к галлюцинациям URL, что указывает на необходимость проверки юридических ссылок и фактов. Лицензия в предоставленных сведениях не указана.

Это детектор людей на основе YOLOv5m, подготовленный как модель ONNX для запуска через ONNX Runtime. В README указано, что он используется в прототипе системы контроля доступа на мероприятиях: найденные рамки людей передаются трекеру ByteTrack и системе распознавания лиц ArcFace. Модель описана как стандартная YOLOv5m, предварительно обученная на COCO и экспортированная из PyTorch; вход — изображение или кадр видео, выход — рамки объектов с оценками классов COCO. Для примера кадр масштабируется до 320×320, однако ONNX-файл поддерживает динамические размеры изображения. Модель предназначена для обнаружения людей в кадрах, например при регистрации посетителей и мониторинге зон доступа. В README указан размер файла 84,7 МБ и лицензия AGPL-3.0; при распространении или развёртывании необходимо соблюдать её условия, если не применяется отдельная коммерческая лицензия Ultralytics. Это прототипный сценарий, и README не приводит количественных оценок точности или скорости.

Модель seantw/covid-19-vaccination-tweet-stance — классификатор текстов, дообученный на COVID-Twitter-BERT v2 для определения отношения автора твита к вакцинации против COVID-19. Она относит релевантные твиты к трём классам: «за», «против» и «нейтральное или неясное». Модель предназначена для анализа общественного мнения и разметки твитов о вакцинации; нерелевантные вакцинации сообщения следует предварительно отфильтровывать отдельной моделью. Архитектура — BERT для классификации последовательностей, веса доступны в формате PyTorch. Размер составляет 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на 5000 твитах о вакцинации против COVID-19, размеченных экспертами; для тестовой выборки из 506 примеров указана точность 0,7747. Лицензия — MIT.

unsloth/gpt-oss-safeguard-20b — доработанная Unsloth версия модели gpt-oss-safeguard-20b, разработанной OpenAI на базе gpt-oss. Это модель рассуждений о безопасности, предназначенная для классификации текстового контента по заданным политикам безопасности и выполнения задач Trust and Safety: фильтрации входов и выходов LLM, маркировки онлайн-контента, а также пакетной офлайн-разметки. Модель интерпретирует написанную пользователем политику, что позволяет адаптировать её к различным продуктам и сценариям с минимальной инженерной доработкой. Модель имеет 21 млрд параметров, из которых 3,6 млрд являются активными, и может работать на GPU с 16 ГБ VRAM. Она поддерживает настраиваемый уровень рассуждений — низкий, средний или высокий — с выбором между качеством анализа и задержкой. Модель предоставляет доступ к процессу рассуждений для отладки и повышения доверия к решениям, однако необработанный CoT предназначен для разработчиков и специалистов по безопасности, а не для конечных пользователей. Модальность — текстовая; сведения о языках и размере контекста в README не указаны. Для корректной работы модель необходимо использовать только с форматом ответов harmony. Она ориентирована именно на задачи безопасности, поэтому для других применений рекомендуется использовать модели семейства gpt-oss. Модель распространяется по лицензии Apache 2.0, допускающей эксперименты, настройку и коммерческое применение без copyleft-ограничений.

PacketCourt Evidence Router — компактный классификатор последовательностей на основе BERT, дообученный для агента расследований PacketCourt. Модель выбирает следующий инструмент для поиска доказательств по утверждению в пакете и относит запрос к одному из классов: ingredients, nutrition, license, dates или refuse_absolute. Она содержит около 4,4 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для маршрутизации расследований PacketCourt. На небольшой специализированной проверочной выборке указана точность 1,000; этот результат относится только к данному набору и не гарантирует аналогичного качества на других данных. Модель предлагает инструмент для проверки, а окончательные решения принимает детерминированный код. Лицензия — Apache-2.0.

Это веса энкодера ResNet-18 для извлечения признаков из спутниковых изображений Sentinel-2 в RGB. Репозиторий опубликован TorchGeo и содержит веса в формате PyTorch; по README модель адаптирована для использования только энкодера. Карточка Hugging Face относит её к классификации изображений и геопространственным задачам. Модель можно использовать для получения визуальных признаков RGB-снимков Sentinel-2 как этапа геопространственного анализа или построения классификатора. Лицензия Apache-2.0 разрешает использование на её условиях. Сведения о точном размере изображений и качестве на конкретных задачах в предоставленных данных отсутствуют.

Cyber-ThreaD/SecureBERT-CyNER — англоязычная модель RoBERTa, дообученная на CyNER для распознавания и классификации именованных сущностей в текстах о кибератаках. Она принимает текст и присваивает метки отдельным токенам, помогая извлекать сущности для анализа и атрибуции киберинцидентов. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. В карточке приведены результаты оценки: F1 0,7674 на оценочном наборе и 0,7367 на наборе предсказаний; точность составляет 0,9836 и 0,9761 соответственно. Высокая точность при более низких полноте и F1 означает, что качество извлечения может зависеть от набора данных и типов сущностей. Модель распространяется по лицензии BigScience OpenRAIL-M.

NVIDIA SegFormer-B3 — модель семантической сегментации изображений, дообученная на ADE20K для входных изображений с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; исходная модель SegFormer представлена в работе Xie и соавторов. В карточке Hugging Face указаны реализации для PyTorch и TensorFlow. Модель предназначена для присвоения классов пикселям изображения и подходит для анализа сцен, например выделения дорог, зданий и других объектов окружения. Она обучена на наборе ADE20K; карточка также отмечает ImageNet-1k как источник предварительного обучения энкодера. Веса опубликованы под лицензией `other`; конкретные условия лицензии следует проверять в репозитории модели. Модель выполняет семантическую сегментацию, а не классификацию изображения целиком.

Falconsai/fear_mongering_detection — модель классификации текста на базе DistilBERT-base-uncased, дообученная для выявления запугивающих и нагнетающих страх формулировок. Она предназначена для анализа публикаций и комментариев в социальных сетях, новостных материалов и контента онлайн-платформ, например для мониторинга и предварительной модерации. Модель принимает текст на английском языке и выдаёт метку классификации. В карточке указано, что обучение проводилось на специализированном наборе данных объёмом менее 50 тысяч примеров. Модель ориентирована на выявление нагнетания страха и может ошибочно помечать обычный текст; качество за пределами этой задачи может быть низким. Лицензия — Apache-2.0.

Human-Action-Recognition — модель классификации изображений, созданная PrithivMLmods дообучением Google SigLIP 2 Base Patch16 224. Она принимает отдельные изображения и относит действия людей к одному из 15 классов: звонок, хлопки, езда на велосипеде, танец, питьё, еда, драка, объятия, смех, прослушивание музыки, бег, сидение, сон, переписка и работа за ноутбуком. Модель предназначена для распознавания действий на фотографиях в сценариях мониторинга, спортивной аналитики, анализа изображений в социальных сетях, наблюдения за активностью пациентов и робототехники. Модель использует архитектуру SiglipForImageClassification и распространяется в формате Safetensors для Transformers. Карточка не приводит оценок качества; классификация ограничена указанными 15 классами и предназначена для неподвижных изображений, поэтому её нельзя трактовать как распознавание последовательностей действий в видео. Лицензия — Apache-2.0.

AnandHaridas1980 выпустил slm125m-live-sft — дообученную методом полного supervised fine-tuning модель Llama для ответов на вопросы по предоставленному фрагменту текста в юридических и финансовых сценариях. Модель содержит 125,8 млн параметров, работает с текстом и имеет контекстное окно 1 024 токена. Она обучена на 2 620 парах вопрос–ответ на английском языке и рассчитана на однократный запрос в заданном шаблоне: ответить только по контексту или сообщить, что ответа в нём нет. В тесте на 200 отложенных примерах модель лучше базовой отказывалась отвечать, когда контекста недостаточно, однако правильно отвечала примерно на 21% вопросов, ответ на которые действительно содержался в тексте. Поэтому её можно использовать как недорогой предварительный компонент для маршрутизации отказов, но ответы и факты необходимо проверять по источнику. Модель не обучалась на нерелевантных фрагментах, не предназначена для многошаговых рассуждений и многоходового диалога; контекст ограничен 1 024 токенами. Лицензия — Apache-2.0.

Voho Saudi Chat 4B — разговорный арабский ассистент от Voho, дообученный на базе Qwen/Qwen3-4B-Instruct-2507 для ответов преимущественно на центральносаудовском, в частности надждийском диалекте. Модель предназначена для голосовых агентов как текстовый компонент между распознаванием речи и синтезом речи: она поддерживает диалог и старается отвечать коротко, в длине, подходящей для телефонного разговора. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; нативный контекст — 262 144 токена. Модель принимает текст и генерирует текст на арабском языке. В тесте на 400 отложенных вопросах независимый классификатор отнёс 89,8% ответов к заливу, а средняя длина ответа составила 6,4 слова. Эти результаты указывают на устойчивую диалектную манеру и краткость, но оценка классификатора не подтверждает точную привязку к Эр-Рияду. Модель не предназначена для надёжного предоставления фактов: для ответов на вопросы о знаниях рекомендуется подключать поиск по источникам. Она ориентирована преимущественно на надждийский диалект; ответы на хиджазском и других вариантах خليجي могут смещаться к надждийскому или литературному арабскому. Пишет без диакритических знаков. Лицензия Apache 2.0 разрешает коммерческое использование.