IV.8Государственное управление, правосудие и чрезвычайные ситуации

Whisper Khmer v9 — дообученная модель распознавания речи на кхмерском языке, созданная на основе openai/whisper-large-v3-turbo. Она предназначена для преобразования кхмерской речи в текст, в том числе при обработке аудио фрагментами до 30 секунд через стандартный конвейер automatic-speech-recognition в Transformers. Модель использует архитектуру Whisper и содержит около 913 млн параметров. Для распознавания применяется специальный объединённый BPE-токенизатор для кхмерского языка с 57 908 токенами. При обучении использовались 11 техник аугментации аудио; вероятность аугментации составляла 0,3. В карточке приведена оценка WER около 22% на чистом наборе проверки на шаге 1200. Модель распространяется по лицензии MIT.

Arabic-GLM-OCR-v2 — дообученная модель распознавания арабского текста на изображениях, созданная sherif1313 на базе zai-org/GLM-OCR. Она предназначена для извлечения текста из книг, рукописей, изображений и документов. Модель принимает изображение и формирует текст; карточка заявляет поддержку арабского языка и размер около 2,2 ГБ. Архитектура GLM-OCR относится к мультимодальным моделям для генерации текста по изображению. Автор заявляет о контекстном распознавании арабского текста, снижении влияния шума и исправлении орфографии. Для дословной транскрипции рекомендуется явно попросить сохранить исходное написание: модель может автоматически исправлять или перефразировать текст, а высокая температура способна ухудшить точность. README указывает, что для инференса требуется тонкая настройка управления генерацией. Лицензия — Apache-2.0.

DDTdonut-TeresaNoFESTO — модель преобразования изображений в текст на базе архитектуры Donut vision-encoder-decoder. Она дообучена разработчиком репозитория на наборе данных imagefolder и предназначена для задач image-text-to-text, например извлечения текста и структурированных сведений из изображений документов. В README приведено значение loss 0,6469 на оценочном наборе, но не описаны состав данных, методика оценки или конкретный целевой формат вывода. Модель основана на naver-clova-ix/donut-base и распространяется в формате safetensors по лицензии MIT. Карточка не уточняет поддерживаемые языки, размер модели, длину контекста или практические ограничения; применимость и качество для конкретных типов документов следует оценивать на собственных данных.

Это модель DistilBERT для ответов на вопросы, дообученная на наборе Natural Questions. Она принимает текст вопроса и контекст, а затем извлекает ответ из контекста; архитектура реализована классом DistilBertForQuestionAnswering. Модель подходит для поиска конкретных фактов в предоставленных текстах, например в документах или статьях. Модель использует uncased-вариант DistilBERT и рассчитана на контекст длиной до 512 токенов. В репозитории указаны веса PyTorch. Разработчик сообщает результат оценки на тестовой выборке: loss 0,6267. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробности оценки и ограничения качества, поэтому применимость к иным доменам и длинным контекстам следует проверять отдельно.

EraX-VL-7B-V1.5 do Nguyễn Anh Nguyên, Nguyễn Hồ Nam, Phạm Huỳnh Nhật và Phạm Đình Thục phát triển, với tài trợ của Bamboo Capital Group và EraX. Đây là mô hình Transformer đa phương thức gồm 7,1 tỷ tham số, được tinh chỉnh từ Qwen/Qwen2-VL-7B-Instruct để nhận diện nội dung trong ảnh và trả lời câu hỏi về hình ảnh. Модель поддерживает диалог с несколькими ходами и ориентирована в первую очередь на вьетнамский язык, при этом заявлены также английский и китайский. Модель предназначена для OCR и визуальных вопросов и ответов, в том числе для извлечения данных из удостоверений, водительских прав, регистрационных документов и квитанций, а также описания изображений. Разработчики выделяют документы для медицинских учреждений и страховых компаний; модель не обучалась на рентгеновских снимках и данных об автомобильных авариях. Для качественного результата может потребоваться тщательно подбирать запрос. Контекст составляет 32 768 токенов. Лицензия — Apache 2.0.

Это плотная авторегрессионная модель семейства LLaMA 2, разработанная Да-вэем Чжу и соавторами в рамках работы PoSE. Чекпойнт содержит 6,6 млрд параметров и рассчитан на генерацию текста с контекстом до 16 384 токенов; расширение контекста использует позиционную интерполяцию YaRN и обучение Positional Skip-wisE (PoSE), которое имитирует длинные входы при обучении на фиксированном контексте. Модель предназначена для генерации продолжений и работы с длинными текстовыми запросами, например для анализа объемных документов или диалога с длинной историей. В README отмечена проблема с первоначально загруженным чекпойнтом: его заменили 27 ноября 2023 года, поскольку прежняя версия не соответствовала реализации из репозитория и показывала неоптимальное качество. В метаданных указана лицензия MIT; доступность лицензии не гарантирует пригодность ответов для конкретных применений.

PaliGemma 3B Mix 224 — разработанная Google компактная модель «зрение—язык», сочетающая визуальный компонент SigLIP и языковую модель Gemma. Она принимает изображения и текст, а в ответ генерирует текст; вариант 224 использует разрешение изображений 224 пикселя. Модель предназначена прежде всего для дообучения под конкретную задачу и поддерживает несколько языков. После адаптации модель можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — вопросы по снимкам дистанционного зондирования, помощь людям с нарушениями зрения и описание функций элементов интерфейса. Это модель с одним ходом, не предназначенная для многошагового диалога. Модель лучше работает с чёткими инструкциями; без дообучения её результаты на отдельных задачах могут уступать специализированным моделям. Она может ошибаться в фактах и сложных рассуждениях, а также отражать смещения обучающих данных. Лицензия — Gemma; для Gemma действуют условия и ограничения использования, указанные Google.

TrOCR base-printed — модель оптического распознавания текста Microsoft, основанная на архитектуре encoder-decoder Transformer. Зрительный энкодер инициализирован весами BEiT, текстовый декодер — весами RoBERTa; модель дообучена на наборе SROIE. Модель предназначена для распознавания текста на изображениях отдельных строк, в том числе для сценариев OCR документов и чеков. Она разбивает изображение на патчи 16×16, кодирует их визуальным Transformer и авторегрессионно генерирует текст токенами. В карточке не приведены сведения о поддерживаемых языках и лицензии. Модель ориентирована на изображения отдельных строк, поэтому может быть неподходящей для распознавания сложной страницы целиком без предварительной обработки.

whisper-medium-luganda — дообученная на базе OpenAI Whisper Medium модель для автоматического распознавания речи на языке луганда. Она принимает аудио и преобразует речь в текст; архитектура Whisper содержит 455,8 млн параметров. В метаданных указаны наборы Common Voice 16.1 и FLEURS, а также формат весов safetensors. Модель опубликована под лицензией Apache 2.0.

Модель IonGrozea/whisper-medium_ro-80mel — дообученная Ion Grozea версия OpenAI Whisper Medium для распознавания румынской речи. Это плотная модель архитектуры WhisperForConditionalGeneration с 455,8 млн параметров; на вход принимает аудио, представленное 80-канальной мел-спектрограммой, и преобразует его в текст. Модель обучена на объединённом румынском корпусе объёмом около 445 часов, включавшем Echo, VoxPopuli и RODigits. В карточке указаны WER 0,0656 и CER 0,0228 на 25 348 валидационных примерах общей длительностью 52,75 часа; оценка выполнена с beam search ширины 5. Модель подходит для транскрибирования румынской речи, включая записи из новостных и цифровых речевых корпусов. Опубликованные веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Arabic-Qwen3.5-OCR-v4 — модель sherif1313, дообученная на основе Qwen/Qwen3.5-0.8B для распознавания текста на изображениях. Она принимает изображение и текстовый запрос и возвращает извлечённый текст; предназначена для арабского письма, включая печатный, рукописный, классический текст и текст с диакритическими знаками. В обучении использованы синтетические сканы, изображения строк текста и данные для распознавания Корана. Модель построена на мультимодальной плотной архитектуре Qwen3.5 и распространяется в формате safetensors. В README заявлена скорость около четырёх изображений в секунду; она зависит от оборудования и условий запуска. Лицензия — Apache-2.0. Примеры использования охватывают распознавание текста на фотографиях, сканах, PDF-страницах и документах низкого качества. README также указывает поддержку сложного форматирования, однако не приводит метрик точности и не уточняет, насколько хорошо модель работает с языками помимо арабского. Приведённый пример генерации ограничивает ответ 512 токенами.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

Joemgu/mlong-t5-base-sumstew — модель суммаризации на архитектуре LongT5, разработанная автором репозитория и дообученная на наборе данных Joemgu/sumstew. Она принимает документ с инструкцией «Summarize:» или «Write a title and summarize:» и генерирует краткое изложение либо заголовок вместе с изложением. Модель содержит 296 млн параметров, принимает текст с контекстом до 4096 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Модель подходит для сокращения длинных текстов и автоматической подготовки заголовков с кратким содержанием. В метаданных перечислены английский, немецкий, французский, итальянский и испанский языки. Лицензия Apache-2.0 разрешает использование, изменение и распространение при соблюдении её условий. Качество результатов может зависеть от языка и тематики входного документа; отдельные оценки качества в карточке не приведены.

Это мультиязычная модель распознавания речи Microsoft, дообученная на базе openai/whisper-large-v3-turbo для речи на суахили, календжин, кикуйю, луо, масаи и сомали. Она принимает аудио и преобразует его в текст; архитектура Whisper использует трансформерный энкодер-декодер, а размер модели составляет 905,3 млн параметров. Модель предназначена для транскрибации разговорной, учебной и вещательной речи, в том числе в условиях разных акцентов и шума. Дообучение на размеченных парах аудио и текста улучшает распознавание перечисленных языков с ограниченными ресурсами. Метаданные также указывают поддержку языков базовой модели Whisper, включая русский и английский, однако специальное дообучение ориентировано на шесть языков Восточной Африки. Модель не предназначена для понимания смысла речи или принятия решений; точность может различаться между языками, а ошибки и смещения могут наследоваться от Whisper и обучающих данных. Разработчики не рекомендуют коммерческое или реальное применение без дополнительной проверки. Лицензия — MIT.

Карточка модели aria220/privacy-filter-nemotron на Hugging Face совпадает с карточкой OpenMed/privacy-filter-nemotron, поэтому описание составлено по ней. OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

Карточка модели EdgeAIMed/privacy-filter-nemotron на Hugging Face совпадает с карточкой OpenMed/privacy-filter-nemotron, поэтому описание составлено по ней. OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

mradermacher/Qwen3-VL-4b-Heretic-GGUF — мультимодальная vision-language модель семейства Qwen3-VL, основанная на DreamFast/Qwen3-VL-4b-Heretic и квантованная в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и работы с визуальными данными, включая сценарии анализа изображений и forensic-задачи. В README указана поддержка английского языка. Модель имеет заявленный размер 4B параметров и поставляется с дополнительными мультимодальными компонентами mmproj. Доступны варианты от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 1,8 до 8,2 ГБ. Для быстрого запуска рекомендуются Q4_K_S и Q4_K_M, тогда как Q8_0 обеспечивает наиболее высокое качество среди перечисленных вариантов. Контекст модели, полный список поддерживаемых языков и точные архитектурные характеристики в README не указаны. Основные преимущества — мультимодальность, широкий выбор уровней квантования и возможность локального запуска через совместимое с GGUF программное обеспечение. Ограничения связаны с потерями качества при использовании низкобитных вариантов квантования, а также с отсутствием в карточке подробных результатов тестирования и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

csarron/roberta-base-squad-v1 — модель на базе RoBERTa-base, дообученная Qingqing Cao на наборе SQuAD 1.1 для извлечения ответов из текста по заданному вопросу. Она принимает вопрос вместе с контекстом и возвращает найденный в контексте ответ; модель чувствительна к регистру английских букв. Архитектура — RobertaForQuestionAnswering, размер — 151,8 млн параметров, длина контекста — до 514 токенов. Доступны веса PyTorch, Flax и safetensors. Модель предназначена для англоязычных систем поиска ответов по документам и текстовым фрагментам. В карточке сообщаются результаты на SQuAD 1.1: Exact Match 83,0 и F1 90,4; эти показатели относятся к указанному набору и не гарантируют такую же точность на других данных. Лицензия — MIT.

MusaNyaks/trocr-barbados-fold2 — дообученная модель Microsoft TrOCR base handwritten для преобразования изображений рукописного текста в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания рукописных строк; в README указано значение loss 0,9111 на наборе оценки. Данные обучения, целевой язык и подробные сценарии применения в карточке не описаны. Модель распространяется в формате safetensors по лицензии MIT.

VisReason-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуальных рассуждений, созданная дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе VisReason. Она строит общее предположение по изображению, затем при необходимости выделяет важные области для более детального анализа и формирует обоснованный ответ. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых задач анализа изображений и визуального Chain-of-Thought. Она обучена выдавать рассуждение в специальном формате и может сформировать вызов инструмента image_zoom_in_tool с координатами области для увеличения. Вариант baseline не включает усиленное пространственное рассуждение с привязкой к глубине, доступное в VisReason-Pro. Для использования указана лицензия other; конкретные условия следует сверять с файлами лицензии репозитория.

Sagicc/whisper-large-v3-sr-cmb — дообученная модель автоматического распознавания речи на основе Whisper large-v3 от OpenAI. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст; при дообучении использовались Common Voice 13, Google Fleurs и набор данных JuzneVesti-SR v1.0. В карточке приведены результаты оценки: WER 0,0415, WER Ortho 0,1339 и loss 0,1111. Модель ориентирована на сербскую речь, однако подробные сведения о вариантах языка и условиях оценки не описаны. Распространяется по лицензии Apache-2.0.

Blgn94/whisper-small-mn — модель распознавания речи на монгольском языке, дообученная разработчиком Blgn94 на основе openai/whisper-small. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration; репозиторий содержит веса в форматах Safetensors и ONNX. Она принимает аудио и преобразует его в текст, например для транскрибирования записей на монгольском языке. Для проверки на отложенной части валидационной выборки указаны WER 22,1% и CER 10,3%. Для обучения использован датасет примерно из 60 часов аудио и 57 320 фрагментов: MBSpeech, Mozilla Common Voice 20 и Google FLEURS. Лицензия модели — CC-BY-4.0.

Document-Type-Detection — модель классификации изображений документов, разработанная prithivMLmods на основе SigLIP 2 base patch16-224 и дообученная для распознавания шести типов документов на сканах и фотографиях: рекламных материалов, рукописных документов, счетов, писем, новостных статей и резюме. Она предназначена для автоматической сортировки документов, предварительной маршрутизации в OCR-конвейерах, цифрового архивирования и систем управления корпоративными документами. Модель принимает изображение документа и возвращает класс документа. Архитектура — SigLIP для классификации изображений; карточка указывает поддержку английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не описаны.

EraX-VL-7B-V2.0-Preview — мультимодальная модель семейства Qwen2-VL, разработанная EraX совместно с участниками команды BCG и профинансированная Bamboo Capital Group и EraX. Модель содержит 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Она дообучена для распознавания текста на изображениях и ответов на вопросы по ним, особенно по документам, с акцентом на вьетнамский язык. В метаданных указан контекст до 32 768 токенов. Модель предназначена для извлечения текста и сведений из медицинских форм, счетов и других документов, а также для анализа медицинских изображений и фотографий автомобильных аварий. README предупреждает, что для разных сценариев может потребоваться тщательно подбирать запросы. Версия обозначена как предварительная; приведенные в карточке примеры радиологических выводов следует рассматривать как демонстрацию, а не как замену профессиональной медицинской оценке. Лицензия — Apache-2.0.

HordeVision — открытая мультимодальная модель языка и зрения, разработанная для работы с казахским языком. Она основана на Qwen/Qwen3-VL-8B-Instruct и дообучена в два этапа: с помощью SFT и GRPO. Модель принимает изображения и текстовые запросы, а в ответ может описывать изображения, отвечать на вопросы о них, распознавать казахский текст, выполнять визуальные рассуждения и следовать многошаговым инструкциям. Модель ориентирована на сценарии, где нужно взаимодействовать с визуальной информацией на казахском языке: например, извлекать текст из изображений или объяснять содержание культурно значимых и повседневных сцен. В README указано обучение примерно на 50 тысячах изображений и преимущество в сравнительной оценке над несколькими мультиязычными моделями; это результаты авторской оценки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0.

RAG-Qwen2.5-7B — языковая модель TroyDoesAI, дообученная на базе unsloth/qwen2.5-7b-bnb-4bit. Она предназначена для ответов на вопросы по предоставленному контексту в сценариях RAG и для более точного следования источникам с целью снизить число галлюцинаций. Для контекста используется формат с явными разделителями блоков текста, метаданных и инструкции; модель обучалась отвечать на одиночные вопросы, а также формировать абзацы и списки. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 131 072 токенов и поддержкой английского языка. Репозиторий содержит веса PyTorch; для обучения применялись Unsloth и Hugging Face TRL. Лицензия — Apache-2.0. Модель лучше подходит для генерации ответов с опорой на явно переданный контекст, чем для задач, где требуется гарантированно проверяемая достоверность: снижение галлюцинаций заявлено как цель, но не подтверждено количественной оценкой. Для ожидаемого поведения нужно оформлять вход в рекомендованном формате; поддержка других языков и мультимодальных входов не заявлена.

TEMPO — дообученная аудиоязыковая модель на базе NVIDIA Audio Flamingo 3, разработанная авторами проекта TEMPO. Она предназначена для распознавания речи с временными метками, определения говорящих, привязки текстовых запросов к интервалам аудио, плотного описания звуковых событий и анализа музыки. Модель принимает аудио и формирует текст с временными метками; единственный тег задачи в запросе задаёт требуемое поведение. В основе — аудиокодировщик Whisper-large и Qwen2-7B, объединённые проектором; в этом чекпойнте применены два этапа SFT и временной проектор. Модель рассчитана на английский язык. Словарь меток времени ограничивает интервалы 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты. Распознавание в многоголосых записях и оценка аккордов остаются неточными; метки говорящих согласованы внутри записи, но условны между разными записями. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели и лицензией проекта.

VideoLLaMA3-2B-Image — мультимодальная модель для понимания изображений, основанная на Qwen2.5-1.5B-Instruct и разработанная командой DAMO-NLP-SG. Она принимает текстовые вопросы и визуальный контент и формирует текстовые ответы; карточка представляет её как вариант семейства VideoLLaMA 3 для анализа изображений и видео. Модель содержит 1,5 млрд параметров, использует архитектуру Videollama3Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом изображений, извлечения сведений из визуальных сцен и мультимодального диалога. В README VideoLLaMA 3 также описана как семейство для понимания видео, однако эта карточка и её основной тег относятся к visual question answering. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.