初始化项目，由ModelHub XC社区提供模型

Model: AGmind/agmind-rag-splitter-ru
Source: Original Platform

README.md

@@ -0,0 +1,68 @@
+---
+language:
+- ru
+license: apache-2.0
+base_model: t-tech/T-lite-it-2.1
+datasets:
+- AGmind/agmind-rag-splitter-ru-data
+pipeline_tag: text-generation
+tags:
+- rag
+- chunking
+- text-segmentation
+- russian
+- lora
+---
+
+# RU Context-Aware Document Splitter (T-lite-it-2.1 LoRA)
+
+Дообучение **`t-tech/T-lite-it-2.1`** (Qwen3-8B), которое режет русские документы на самодостаточные смысловые чанки для RAG, держа таблицы/код целыми. На вход — текст, заранее разбитый на нумерованные юниты; на выход — индексы границ + topic в JSON.
+
+## Использование
+Это **completion**-модель, обученная на raw-Alpaca промпте (без чат-шаблона). Сначала разбей документ на нумерованные юниты; чанки собери на хосте по возвращённым индексам.
+
+**Промпт:**
+```
+### Instruction:
+Раздели документ на смысловые части для системы поиска (RAG). Каждая часть читается независимо, не разрывая предложений, таблиц и кода. Верни ТОЛЬКО номера единиц, после которых проходит граница, в формате JSON.
+
+### Input:
+[1] Первое предложение. [2] Второе. [3] | таблица |...|
+### Response:
+```
+**Вывод:** `{"splits": [2], "topic": "..."}` — `splits` = индексы юнитов, после которых граница (1-индексные). Режь оригинал по этим точкам.
+
+Полный пре-/пост-процессинг + рецепт сервинга на llama.cpp — в [GitHub-репозитории](https://github.com/botAGI/AGmind-ML/tree/main/agmind-rag-splitter-ru).
+
+## Результаты (согласие с метками учителя)
+
+Исходный snapshot **N=300** из holdout-1500:
+
+| Валидный JSON | F1@0 | F1@±1 | exact-set |
+|---|---|---|---|
+| 100% | 0.656 | 0.821 | 29% |
+
+Перепроверка на полном **holdout-1500** (2026-06-26, raw stdout — в `eval/` GitHub-репозитория):
+
+| Прогон | JSON | F1@0 | F1@±1 | exact |
+|---|---|---|---|---|
+| HF bf16 | 99.9% | 0.665 | 0.825 | 30.0% |
+| GGUF Q5_K_M, AMD Vulkan | 100% | 0.661 | 0.826 | 29.9% |
+
+На полном holdout GGUF Q5_K_M практически равен HF-модели; работает на AMD Vulkan через llama.cpp.
+
+## Данные
+Датасет: [`AGmind/agmind-rag-splitter-ru-data`](https://huggingface.co/datasets/AGmind/agmind-rag-splitter-ru-data) (~17k train + 12k синтетика, дистилляция от DeepSeek-V4-Flash).
+
+## Обучение
+bf16 LoRA (r32, rsLoRA, all-linear, response-only) на RTX 5090; ~17k примеров дистилляции (DeepSeek-V4-Flash). См. `docs/methodology.md` в репо.
+
+## Файлы
+- LoRA-адаптер / merged FP16-веса
+- `*-Q5_K_M.gguf` (llama.cpp, Vulkan/CPU)
+
+## Ограничения
+Метрики — согласие с учителем, не human-ground-truth. Лёгкая пере-сегментация. Для очень больших таблиц нужна отдельная табличная стратегия, а не эта боундари-модель.
+
+## Лицензия
+Apache-2.0 (наследует лицензию базы T-lite-it-2.1).