Digitable

We build Digit, a local agent for the Russian-language course platform courses.digitable.life. Its design constraint is unusual: the language model is not allowed to be a source of facts. Every fact in an answer comes from a deterministic utility, a verbatim quote from the course corpus, or a formal certificate — the model only chooses which of those to invoke.

The models published here are the piece that does the choosing.

What is in this organisation

These are tool routers, not general-purpose assistants. Each one maps a user query to a tool category, then emits a tool call with extracted arguments — or refuses. It does not write the answer. Load one as a chat model and you will get nonsense, and none of our published metrics describe that use.

Repository	What it is
`digit-router-0.6b`	The shipping router. LoRA adapters (v1/v2/v3) over `Qwen/Qwen3-0.6B` plus merged GGUF quantisations. 424 MiB at Q5_K_M, ~500 ms per full two-step routing cycle on 8 CPU threads.
`digit-router-1.7b`	The same training run at 1.7B. Higher routing accuracy; measurably not worth 3× the parameters for this task.
`digit-router-experiments`	Three adapters that lost — Vikhr, ruadapt, QVikhr-3. Published so the negative result stays reproducible instead of becoming folklore.

How to read our numbers

Two conventions run through every model card, and both exist because the obvious way to report these numbers is misleading:

A counted refusal is not a conscious refusal. An eval harness scores an unparseable answer as a refusal, so a model that merely breaks scores like a model that knows when to decline. We always report both columns. The untuned 0.6B base scores 75.3 % counted against 9.3 % conscious — a 66-point gap that is entirely broken output.
Known defects are stated before the good tables, not in a footnote. The imatrix quantisation of the 0.6B model measurably breaks its ability to refuse and carries a do-not-deploy warning next to the file. At Q4 the routers do not emit garbage; they emit structurally flawless tool calls with invented arguments, and a GBNF grammar does not catch that. Our v3 adapters are a routing regression against v2 on a single seed. All of this is on the model pages.

Every published file's sha256 is recorded in a MANIFEST.json in its repository. We track runs by weight hash rather than by tag, because a tag was once re-created from a different build while a 250-task evaluation was in flight.

Base models are Qwen/Qwen3-* under Apache-2.0. The training data is derived from a GPL-3.0 utility catalogue; we state that provenance on every page and do not claim to have resolved what it means for weights.

По-русски

Мы делаем Digit — локального агента для платформы курсов courses.digitable.life. Ограничение архитектуры необычное: языковой модели запрещено быть источником фактов. Содержание ответа даёт детерминированная утилита, дословная цитата из корпуса курсов или формальный сертификат. Модель выбирает, что вызвать, — и только.

Здесь лежат маршрутизаторы, а не универсальные ассистенты. Модель относит запрос к категории инструментов и извлекает аргументы либо отказывается; ответ она не пишет. Если загрузить её как чат-модель, вы получите бессмыслицу, и опубликованные метрики к такому использованию не относятся.

Два правила чтения наших чисел. Первое: засчитанный отказ ≠ осознанный — харнесс считает отказом любой неразбираемый ответ, поэтому сломанная модель выглядит как осторожная; мы всегда печатаем обе колонки. Второе: известные дефекты стоят до таблиц с хорошими числами, а не в примечаниях. imatrix-квант 0.6B ломает способность отказываться и помечен как непригодный к поставке; при Q4 модель выдаёт структурно безупречные вызовы с выдуманными аргументами, и грамматика этого не ловит; адаптеры v3 — измеренный регресс маршрутизации против v2 на одном seed.

sha256 каждого опубликованного файла записан в MANIFEST.json соответствующего репозитория.