IV.9Медиа, журналистика, культура, архивы и игры

genderage2 — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, разработанная пользователем ivensamdh. Модель содержит 113,2 млн параметров и дообучена на наборе данных imagefolder. В README приведён результат оценки: loss 0,2771. Модель предназначена для классификации изображений. Название репозитория предполагает задачи, связанные с определением пола и возраста, однако README не подтверждает состав классов и сценарии применения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

grc_odycy_joint_sm — модель из проекта OdyCy, представляющая собой общий NLP-конвейер spaCy для древнегреческого языка. Она предназначена для лингвистического анализа текстов на древнегреческом; README сообщает о высокой точности на тестовых данных Universal Dependencies Perseus и втором результате на тесте PROIEL по ряду задач. В конвейере есть три компонента и 2299 меток, включая морфосинтаксические категории. Модель распространяется по лицензии MIT. Размер и длина контекста в предоставленных сведениях не указаны.

Haru v3 Teacher IT — модель HaruDense с 42,4 млн параметров по метаданным. Её разработали как экспериментальную инструкционную модель для генерации детских историй на корейском языке и как учителя для дистилляции меньших моделей. Для диалогового использования предназначен chat template; архитектура — причинный декодер с 16 слоями и полным вниманием. Контекст составляет 1 024 токена. Модель принимает текст и генерирует текст. В тестах на программно созданных заданиях точное совпадение составило 53/70 для знакомых сущностей и шаблонов, 9/70 для новых сущностей и 0/70 при изменении сущностей и шаблонов. В историях модель может терять предметы, обещания и связность событий; надёжное следование инструкциям, фактические ответы и общее рассуждение не подтверждены. Репозиторий распространяется по лицензии MIT.

HuBERT Large German v1 — акустическая модель распознавания немецкой речи в последовательность фонем Международного фонетического алфавита (IPA), разработанная для системы оценки произношения PronunCheck. Это дообученная на немецкой части Multilingual LibriSpeech модель HuBERT Large с архитектурой CTC; размер опубликованной модели — 402,7 млн параметров. Она выдаёт 70 типов фонемных токенов, включая немецкие гласные и дифтонги, согласные и знаки ударения, и предназначена для оценки произношения методом Goodness of Pronunciation. Модель подходит для фонемной транскрипции немецкой речи и оценки произношения в чистых аудиозаписях. На тестовой части Multilingual LibriSpeech указана ошибка PER около 28,4%, а на спонтанной речи Mozilla SPS 4.0 — около 35,6%. Модель обучалась на чистых аудиокнигах, поэтому хуже справляется с быстрой разговорной речью, реверберацией и записями с низкокачественных микрофонов. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

neurlang/ipa-whisper-medium — дообученная модель распознавания речи на базе мультиязычной Whisper medium от OpenAI. Она построена на архитектуре Transformer encoder-decoder и содержит 455,8 млн параметров. Модель дообучена на 75 000 синтетических аудиозаписей с транскрипциями в Международном фонетическом алфавите (IPA); данные для обучения были созданы с помощью фонемизатора goruut и взяты из случайных записей Common Voice 21 на 74 языках. Модель предназначена для преобразования речи в фонетическую запись IPA и подходит для экспериментов с фонемным распознаванием и анализа произношения. Whisper рассчитана на аудиофрагменты длиной до 30 секунд; для более длинных записей README описывает обработку с разбиением на чанки. Валидационный CER на наборе слов словацкого языка составил 28,38, поэтому качество для конкретного языка и сценария следует проверять отдельно. Как и другие модели Whisper, она может галлюцинировать слова, которых нет в аудио, повторять фрагменты и показывать неодинаковую точность для разных языков, акцентов и диалектов. Репозиторий распространяется по лицензии Apache-2.0.

mahjongsoulvision — дообученная pjura модель классификации изображений на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для классификации изображений, однако карточка не уточняет классы и сценарий применения. В README приведены результаты на оценочной выборке: loss 0,0466, accuracy 0,9967, F1 0,9966 и recall 0,9967. Эти метрики характеризуют только указанную выборку и не позволяют судить о качестве на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

MESIE-MultiAudio-v1 — аудиоклассификатор на основе плотного Transformer с многоголовым механизмом внимания, выпущенный ItsNotAI LABS. Модель предназначена для работы с 16-канальными микрофонными массивами: оценки азимута направления прихода звука (DOA), выделения целевого источника и пространственного подавления шума, включая сценарии активного шумоподавления. В README указано обучение AdamW в течение 10 эпох на профильных акустических наборах данных и приведены метрики проверки: MSE 0,23955, точность/precision 0,9976 и задержка вывода 1,384 мс; методика и условия измерений не раскрыты. Метаданные сообщают 917,5 тыс. параметров и форматы PyTorch и Safetensors, тогда как README отдельно приводит 797 584 обучаемых параметра и 640 000 элементов позиционного кодирования. Лицензия — Apache-2.0.

MioCodec 25Hz/24kHz — кодек аудио для запуска в RLX, опубликованный eugenehp как staging-копия весов upstream-модели с декодером ONNX. Репозиторий предназначен для использования в составе RLX runners через пакет rlx-miotts; README указывает частоту кадров 25 Гц и аудиосэмплирование 24 кГц. В репозитории есть веса Safetensors, декодер ONNX и файл GGUF в формате F16. Модель принимает аудио и относится к задаче audio-to-audio; по имеющимся сведениям, она рассчитана на кодирование и декодирование аудио в сценариях RLX. README предупреждает, что репозиторий является staging-перепубликацией и не должен использоваться как основной runtime pack. Лицензия репозитория — MIT.

YoshiSTAR/my_awesome_mind_model — дообученная YoshiSTAR модель аудиоклассификации на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров; веса опубликованы в формате safetensors. Модель принимает аудио и предназначена для классификации аудиоданных. В README приведены результаты оценки: loss 2,6683 и accuracy 0,0619. Низкая точность указывает на слабое качество на указанном наборе оценки, а сведения о классах, обучающих данных и целевых сценариях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели NSFW_DPO_Noromaid-7b-Mistral-7B-Instruct-v0.1, базирующаяся на Mistral-7B-Instruct-v0.1. Модель разработана MaziyarPanahi, а квантизация выполнена mradermacher. Она предназначена для генерации текста и диалоговых сценариев, включая ролевые взаимодействия с контентом для взрослых; заявленный язык — английский. Модель относится к семейству Mistral и содержит около 7 миллиардов параметров. В репозитории представлены варианты в формате GGUF с разными уровнями квантизации — от Q2_K до Q8_0, размером примерно от 3,0 до 7,9 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать в качестве; Q6_K и Q8_0 обозначены как обеспечивающие очень высокое или лучшее качество, а Q4_K_S и Q4_K_M — как быстрые рекомендуемые варианты. Данные о размере контекста и поддержке модальностей, кроме текста, не указаны. Сильной стороной модели является адаптация под ролевые и NSFW-сценарии, а наличие нескольких вариантов квантизации позволяет запускать её на оборудовании с разными ограничениями по памяти. Ограничениями являются англоязычная специализация, отсутствие мультимодальности и отсутствие опубликованных сведений о результатах оценки, безопасности и точном контекстном окне. Указана лицензия Apache-2.0 для этого репозитория, однако в метаданных также упоминается датасет с лицензией CC-BY-NC-4.0, поэтому условия использования производных компонентов следует проверить отдельно.

KoboldAI/OPT-6.7B-Erebus — языковая модель для генерации текста, разработанная сообществом KoboldAI. Это второе поколение модели Shin'en, дообученное на шести источниках художественных текстов для взрослых; в данных использовалась разметка жанров формата [Genre: ]. Архитектура — плотная авторегрессионная OPTForCausalLM, репозиторий содержит веса PyTorch. Модель принимает текст и генерирует продолжение; контекст составляет 2048 токенов, основной язык — английский. Модель предназначена прежде всего для генерации эротической прозы, продолжения историй и художественного ролевого текста. Она имеет выраженный уклон в NSFW-контент и не подходит для несовершеннолетних. Разработчики также отмечают возможные предвзятости по гендеру, профессии, расе и религии. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

samhitmantrala/pr_cricket_01 — дообученная на неизвестном наборе данных языковая модель GPT-2 для генерации текста. Она основана на samhitmantrala/cricket3 и рассчитана на контекст до 1024 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка приводит значение loss 2,7288 на оценочном наборе, но не описывает данные обучения, сценарии применения или результаты сравнения. Поэтому пригодность модели для конкретных задач и качество генерируемого текста по имеющимся сведениям оценить нельзя.

Wlc7758/Qwen3-Sex — диалоговая текстовая модель, разработанная на основе Qwen/Qwen3-4B-Instruct-2507 с помощью supervised fine-tuning (SFT). Модель предназначена для многораундового общения и генерации художественных или ролевых текстов, включая материалы для взрослой аудитории и откровенные NSFW-сценарии. Она ориентирована только на пользователей старше 18 лет и не подходит для всех аудиторий. Модель работает с текстом, поддерживает китайский и английский языки, использует архитектуру и возможности базовой модели Qwen3-4B-Instruct-2507, а также формат диалогов ChatML. Заявлена длина контекста до 262 144 токенов, хотя для повседневного общения рекомендуется использовать контекст 4–32 тысячи токенов. Основные веса доступны в формате bfloat16; также предоставлены варианты GGUF, включая BF16 и Q8_0. Для работы предусмотрены Transformers и Ollama. К сильным сторонам относятся специализация на взрослом художественном контенте, поддержка многораундового диалога и большой контекст. Ограничения включают возможные фактические ошибки, предвзятые или вредные ответы, снижение качества и связности при использовании квантованных GGUF-вариантов, а также риски, связанные с генерацией чувствительного контента. README указывает лицензию Apache 2.0, но также требует соблюдать лицензионные условия базовой модели, законодательство и правила сторонних платформ; авторы отдельно ограничивают заявленную область использования академическими исследованиями, личными некоммерческими задачами и вымышленным творчеством.

Sapiens2-0.8B-Pointmap — модель Meta для оценки плотной 3D-карты точек по изображению. Она строит для каждого пикселя координаты x, y и z в системе камеры, что позволяет анализировать пространственную структуру людей на изображении. Модель предназначена для человекоцентрического компьютерного зрения и исследований в этой области. Архитектура включает основу Sapiens2 Vision Transformer и голову оценки pointmap; в репозитории указано около 838,9 млн параметров. Модель дообучена на основе facebook/sapiens2-pretrain-0.8b и распространяется в формате safetensors. Для использования требуется изображение, а результатом является плотная 3D-карта точек. Лицензия указана как Sapiens2 License; метаданные классифицируют её как other.

Seeker-9B — разговорная языковая модель Lodrick the Lafted на архитектуре Gemma 2 с 9 млрд параметров. Она создана с помощью управляющих векторов поверх tarnished-9b и рассчитана на игривое, намеренно милое общение в чате. Примеры показывают ответы в ролевой манере с описанием жестов и действий, а также простые ответы на вопросы и арифметические задачи. Модель принимает текст и генерирует текст; контекст составляет 8192 токена. В метаданных указаны библиотека Transformers и формат safetensors. Модель распространяется по лицензии Apache-2.0. README не сообщает о поддерживаемых языках или результатах оценки качества.

Jrjy3/sonorus-omnivoice содержит только GGUF-вариант AudioVAE из VoxCPM2, предназначенный для использования в Sonorus и ветке voxcpm2-upscaler проекта omnivoice.cpp. Компонент преобразует нативный аудиовыход OmniVoice в аудио с частотой 48 кГц; саму языковую модель OmniVoice и её токенизаторы нужно получать отдельно. Файл объёмом около 188 МБ получен конвертацией официального чекпойнта audiovae.pth из openbmb/VoxCPM2 в GGUF F16. Репозиторий лицензирован по Apache-2.0. Это вспомогательный аудиокомпонент, а не самостоятельная модель для генерации речи из текста.

Corianas/TinyTask-minipaca — небольшая авторская языковая модель семейства Llama, основанная на проекте Karpathy Llama2.c. Она обучалась на Tinystories и собственном наборе littlestories, а затем была в некоторой степени дообучена на инструкциях. Модель предназначена для генерации текста и выполнения простых инструкций. Модель содержит 88,1 млн параметров, использует архитектуру LlamaForCausalLM и контекст длиной 2048 токенов. Словарь токенизатора насчитывает 4096 элементов; для обозначения заглавных букв используется специальный маркер ↨ перед строчной буквой, поэтому текст требуется преобразовывать в этот формат перед подачей и обратно после генерации. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Небольшой размер модели и обучение на коротких историях ограничивают её пригодность для сложных задач и широкого практического применения; подробные результаты оценки качества в карточке не приведены.

Boomer_Qwen_72B — экспериментальная диалоговая модель на базе Qwen2.5-72B-Instruct, дообученная SicariusSicariiStuff. Она предназначена для генерации текстов в нарочито стереотипном «бумерском» стиле и ответов на темы инвестиций, недвижимости и личных финансов. В карточке заявлены советы вроде «покупай на просадке», расчёты ипотеки и ностальгические рассуждения; эти заявления поданы в шуточной форме и не подтверждают реальную финансовую точность модели. Модель использует плотную архитектуру Qwen2, содержит 71,5 млрд параметров и принимает текст, выдавая текст. Родительская модель поддерживает контекст до 32 768 токенов; модель рассчитана на диалоги и интерфейс вызова инструментов. Метаданные отмечают английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не содержит надёжных сведений о качестве на финансовых задачах; ответы о рынках, инвестициях и недвижимости не следует считать профессиональной рекомендацией.

Детектор объектов YOLOv8n, дообученный на наборе Brackish Underwater в рамках DetectionBench. Он предназначен для обнаружения морских животных на подводных изображениях и видео, включая крабов, рыб, медуз, креветок и морских звёзд. Модель использует архитектуру Ultralytics YOLOv8 и публикуется в формате PyTorch; лицензия — AGPL-3.0. На тестовом разделении Brackish Underwater модель показала mAP@50 98,41% и mAP@50–95 83,01%. Данные собраны одной камерой в одном месте в Дании, поэтому перенос на другие камеры, местности и типы воды не проверен. В обучающем наборе заметен сильный дисбаланс классов: креветки и медузы представлены редко, поэтому оценки для них основаны на сравнительно небольшом числе примеров.

C1-4B — плотная языковая модель семейства Qwen3, разработанная UofTCSSLab на основе Qwen/Qwen3-4B-Instruct-2507. Это финальная версия после дообучения с учителем и обучения с подкреплением; модель предназначена для анализа шахматных позиций. На вход ей подают позицию в формате FEN, расположение фигур и список легальных ходов. Она формирует пошаговое рассуждение на естественном языке и завершает ответ одним лучшим ходом в нотации UCI. В тесте на 900 шахматных задач точность точного совпадения хода при жадном декодировании составила 48,3%; средняя длина ответа — около 169 токенов. Модель имеет 3,7 млрд параметров и контекст до 262 144 токенов. Для генерации авторы рекомендуют температуру 0. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Результат теста не гарантирует правильность хода в каждой позиции, поэтому ответы следует проверять шахматным движком или самостоятельно.

Dongfangshuo/Dongfangshuo-Qwen3.8-27B-NSFW — мультимодальная модель на архитектуре Qwen3.5, созданная автором репозитория дообучением Huihui-Qwen3.8-27B-abliterated. Она предназначена для диалогов и создания художественных текстов для взрослых: модель ориентирована на откровенную лексику и чувственные подробности. Поддерживает работу с изображениями; в README также приведена конфигурация с обработкой видеокадра и контекстом до 16 384 токенов. Модель содержит 27 млрд параметров, использует формат safetensors и поддерживает китайский язык. В метаданных также отмечены чат и интерфейс вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. Основное назначение — создание контента NSFW; пригодность ответов и соблюдение ограничений зависят от конкретного сценария использования.

Doujinshi-14b-chat — японская диалоговая языковая модель, разработанная puwaer на основе Qwen/Qwen3-14B. Модель дообучена продолженным предобучением, SFT и DPO на корпусе для взрослой тематики объёмом около 4 млрд токенов, сформированном из материалов DMM и DLsite, а также на специализированных наборах диалогов и предпочтений. Модель предназначена для чата и свободного диалога на японском языке, включая сценарии с контентом для взрослых. Вариант chat ориентирован на естественную беседу; в карточке также описаны отдельные варианты instruct и roleplay, но это другой вариант модели. Архитектура — плотная Qwen3 с 14 млрд параметров; заявленная длина контекста — 40 960 токенов. Модель принимает текст и генерирует текст, доступна в формате safetensors для Transformers. Модель рассчитана на контент сексуального характера. Качество ответов и безопасность результатов не гарантируются разработчиком. Лицензия — Apache 2.0.

EfficientNet-B1, обученная исследовательской группой DBD на наборе XCL проекта BirdSet. Модель классифицирует спектрограммы аудиозаписей птиц по видам; обучение проводилось на данных Xeno-Canto, охватывающих 9736 видов птиц. На вход подаётся монохромное изображение спектрограммы. Для подготовки входных данных нужен специальный процессор из репозитория BirdSet, поскольку в репозитории модели собственного процессора нет. Модель опубликована в формате safetensors и использует библиотеку Transformers. Условия лицензии в доступных данных не описаны.

Fixer — модель NVIDIA для улучшения результатов трёхмерной реконструкции. Это одношаговая диффузионная модель преобразования изображений, которая устраняет артефакты и восстанавливает детали в новых ракурсах, отрендеренных из недостаточно ограниченных областей 3D-представлений. Модель предназначена для разработчиков Physical AI и интеграции в конвейеры реконструкции на основе Neural Radiance Fields (NeRF) и 3D Gaussian Splatting (3DGS). Она принимает RGB-изображение и возвращает исправленное RGB-изображение разрешением 576×1024 пикселя. Fixer поддерживает два режима работы. В offline-режиме она очищает псевдообучающие изображения на этапе реконструкции, после чего улучшения дистиллируются обратно в 3D-представление. В online-режиме модель применяется во время инференса как нейронный улучшатель для удаления остаточных артефактов, связанных с неточной 3D-супервизией и ограничениями реконструкционных моделей. Архитектура представляет собой Linear-attention Diffusion Transformer с Deep Compression Autoencoder; модель основана на Cosmos-Predict-0.6B и содержит около 0,6 млрд параметров. Обучение проводилось преимущественно на данных 3DGS и внутреннем наборе NVIDIA с изображениями и видео автономного вождения. К сильным сторонам относятся одношаговая обработка, совместимость с NeRF и 3DGS, поддержка высокоразмерных изображений и оптимизация для NVIDIA GPU. В README не приведены количественные оценки качества, полный список языков или ограничения по содержанию, поэтому эффективность для конкретных сцен требует отдельного тестирования. Для работы заявлены PyTorch версии 2.0 и выше, Linux и GPU NVIDIA; проверены H100, A100, H20 и L40. Модель доступна для коммерческого и некоммерческого использования по условиям NVIDIA Open Model License Agreement.

zhzh98/gpt2-arabic-mono2bi-en2b-embedft-seed123 — языковая модель на архитектуре GPT-2, разработанная пользователем zhzh98 и обученная с нуля. Она предназначена для генерации текста; в карточке модели подробности о целевых сценариях и обучающих данных отсутствуют. Модель использует библиотеку Transformers, распространяется в формате safetensors и имеет контекст длиной 256 токенов. Поддержка арабского или английского языка не подтверждена карточкой и метаданными. Для модели не указана лицензия, поэтому условия её использования определить нельзя. README не содержит сведений о качестве, оценке или специальных ограничениях.

Haven-Chat-v3.0.3 — англоязычная модель для многоходового общения и ролевых диалогов, разработанная автором репозитория на базе архитектуры Gemma 4. Модель дообучена методом DPO на канале рассуждений Gemma 4 и на более чем 500 сценариях ролевых диалогов; автор также сообщает о настройке нейтрального отношения к гендеру имён и соблюдения указанных пользователем местоимений. Модель предназначена для общения в роли виртуального компаньона и коротких ролевых диалогов. По заявлению автора, она поддерживает беседы без системного промпта и не вставляет стандартные оговорки корпоративного ассистента. Репозиторий содержит веса в формате GGUF, лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных сведениях не указаны.

HumanV-0.2B-Base — причинная языковая модель примерно на 199 млн параметров от humanvcompany, построенная на собственной архитектуре HumanV. Это технический proof-of-concept для проверки гибридного разреженного внимания в трансформерных моделях; она обучена на подмножестве TinyStories и предназначена для генерации текста, особенно коротких историй на английском языке. Модель использует 12 декодерных слоёв, grouped-query attention, полное внимание в первых трёх слоях и локально-глобальное блочное разреженное внимание в остальных, RoPE и SwiGLU. Контекст модели — 512 токенов. Архитектура оптимизирует размер KV-кэша, но для загрузки требуется специальная версия Transformers с регистрацией HumanV, поэтому стандартная совместимость ограничена. Лицензия — Apache-2.0.

Luna — серия разговорных моделей-персонажей, созданная Wayzer и дообученная на архитектуре Qwen. Этот репозиторий объединяет GGUF-версии, включая Luna 3.5 9B на базе Qwen/Qwen3.5-9B в квантизации Q4_K_M и Luna 3.8 27B на базе Qwen/Qwen3.8-27B в квантизации Q3_K_M. Метаданные указывают форматы GGUF Q3 и Q4; для запуска заявлена совместимость с Ollama, LM Studio и llama.cpp. Модель предназначена для разговоров в образе интернет-тролля: сарказма, постиронии, абсурдного и чёрного юмора, отслеживания контекста и высмеивания противоречий в аргументах собеседника. Карточка отмечает английский и русский как языки, на которых персонаж особенно выразителен, и указывает рекомендуемую длину контекста 2048 токенов. Модель рассчитана на развлекательные беседы и тестирование устойчивости диалоговых систем; она не позиционируется как переводчик или бот для эротической ролевой игры. Лицензия — Apache-2.0.

Machiavellianism Continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В карточке указаны метрики оценки на тестовом наборе: loss 0,0615, RMSE 0,2481, MAE 0,1990 и корреляция 0,4081; сведения о наборе данных и методике оценки не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 Base и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для оценки выраженности макиавеллизма по тексту. Она может применяться для исследовательской разметки и анализа текстовых данных по этому психологическому признаку. Распространяется по лицензии MIT.

MiqraBERT — модель Sentence Transformers, разработанная Дэвидом М. Смайли из Университета Нотр-Дам для поиска параллельных отрывков в еврейской Библии. Это дообученный на базе AlephBERT BERT-энкодер с mean pooling, который преобразует стихи на библейском иврите в 768-мерные эмбеддинги; косинусное сходство между ними служит непрерывной оценкой текстового параллелизма. Модель обучена на наборе T'OMIM из 1 650 пар стихов, включая параллельные и непараллельные примеры, и поддерживает последовательности длиной до 512 токенов. Модель предназначена для сравнения стихов, поиска кандидатов на параллельные места и вычислительного исследования внутрибиблейских аллюзий и повторного использования текста. На тестовом наборе авторы сообщают F1 0,980 при пороге 0,53; результат зависит от обучающей выборки и порога и не означает, что модель сама классифицирует пары. Лицензия — Apache 2.0. Область применимости ограничена библейским ивритом, включая вокализованный текст с огласовками. Модель не рассчитана на современный или раввинистический иврит и арамейский; для поэтического параллелизма качество поиска ограничено, а отношения, не представленные в обучающих данных, могут распознаваться хуже.