Stage draft model card (Nitzotz v3 seed 2 numbers)

.gitattributes

@@ -33,3 +33,10 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+assets/bars_en.png filter=lfs diff=lfs merge=lfs -text
+assets/bars_he.png filter=lfs diff=lfs merge=lfs -text
+assets/calibration_en.png filter=lfs diff=lfs merge=lfs -text
+assets/calibration_he.png filter=lfs diff=lfs merge=lfs -text
+assets/radar_en.png filter=lfs diff=lfs merge=lfs -text
+assets/radar_he.png filter=lfs diff=lfs merge=lfs -text
+assets/speed_en.png filter=lfs diff=lfs merge=lfs -text

LICENSE

@@ -0,0 +1,201 @@
+                                 Apache License
+                           Version 2.0, January 2004
+                        http://www.apache.org/licenses/
+
+   TERMS AND CONDITIONS FOR USE, REPRODUCTION, AND DISTRIBUTION
+
+   1. Definitions.
+
+      "License" shall mean the terms and conditions for use, reproduction,
+      and distribution as defined by Sections 1 through 9 of this document.
+
+      "Licensor" shall mean the copyright owner or entity authorized by
+      the copyright owner that is granting the License.
+
+      "Legal Entity" shall mean the union of the acting entity and all
+      other entities that control, are controlled by, or are under common
+      control with that entity. For the purposes of this definition,
+      "control" means (i) the power, direct or indirect, to cause the
+      direction or management of such entity, whether by contract or
+      otherwise, or (ii) ownership of fifty percent (50%) or more of the
+      outstanding shares, or (iii) beneficial ownership of such entity.
+
+      "You" (or "Your") shall mean an individual or Legal Entity
+      exercising permissions granted by this License.
+
+      "Source" form shall mean the preferred form for making modifications,
+      including but not limited to software source code, documentation
+      source, and configuration files.
+
+      "Object" form shall mean any form resulting from mechanical
+      transformation or translation of a Source form, including but
+      not limited to compiled object code, generated documentation,
+      and conversions to other media types.
+
+      "Work" shall mean the work of authorship, whether in Source or
+      Object form, made available under the License, as indicated by a
+      copyright notice that is included in or attached to the work
+      (an example is provided in the Appendix below).
+
+      "Derivative Works" shall mean any work, whether in Source or Object
+      form, that is based on (or derived from) the Work and for which the
+      editorial revisions, annotations, elaborations, or other modifications
+      represent, as a whole, an original work of authorship. For the
+      purposes of this License, Derivative Works shall not include works
+      that remain separable from, or merely link (or bind by name) to the
+      interfaces of, the Work and Derivative Works thereof.
+
+      "Contribution" shall mean any work of authorship, including the
+      original version of the Work and any modifications or additions
+      to that Work or Derivative Works thereof, that is intentionally
+      submitted to Licensor for inclusion in the Work by the copyright owner
+      or by an individual or Legal Entity authorized to submit on behalf of
+      the copyright owner. For the purposes of this definition, "submitted"
+      means any form of electronic, verbal, or written communication sent
+      to the Licensor or its representatives, including but not limited to
+      communication on electronic mailing lists, source code control systems,
+      and issue tracking systems that are managed by, or on behalf of, the
+      Licensor for the purpose of discussing and improving the Work, but
+      excluding communication that is conspicuously marked or otherwise
+      designated in writing by the copyright owner as "Not a Contribution."
+
+      "Contributor" shall mean Licensor and any individual or Legal Entity
+      on behalf of whom a Contribution has been received by Licensor and
+      subsequently incorporated within the Work.
+
+   2. Grant of Copyright License. Subject to the terms and conditions of
+      this License, each Contributor hereby grants to You a perpetual,
+      worldwide, non-exclusive, no-charge, royalty-free, irrevocable
+      copyright license to reproduce, prepare Derivative Works of,
+      publicly display, publicly perform, sublicense, and distribute the
+      Work and such Derivative Works in Source or Object form.
+
+   3. Grant of Patent License. Subject to the terms and conditions of
+      this License, each Contributor hereby grants to You a perpetual,
+      worldwide, non-exclusive, no-charge, royalty-free, irrevocable
+      (except as stated in this section) patent license to make, have made,
+      use, offer to sell, sell, import, and otherwise transfer the Work,
+      where such license applies only to those patent claims licensable
+      by such Contributor that are necessarily infringed by their
+      Contribution(s) alone or by combination of their Contribution(s)
+      with the Work to which such Contribution(s) was submitted. If You
+      institute patent litigation against any entity (including a
+      cross-claim or counterclaim in a lawsuit) alleging that the Work
+      or a Contribution incorporated within the Work constitutes direct
+      or contributory patent infringement, then any patent licenses
+      granted to You under this License for that Work shall terminate
+      as of the date such litigation is filed.
+
+   4. Redistribution. You may reproduce and distribute copies of the
+      Work or Derivative Works thereof in any medium, with or without
+      modifications, and in Source or Object form, provided that You
+      meet the following conditions:
+
+      (a) You must give any other recipients of the Work or
+          Derivative Works a copy of this License; and
+
+      (b) You must cause any modified files to carry prominent notices
+          stating that You changed the files; and
+
+      (c) You must retain, in the Source form of any Derivative Works
+          that You distribute, all copyright, patent, trademark, and
+          attribution notices from the Source form of the Work,
+          excluding those notices that do not pertain to any part of
+          the Derivative Works; and
+
+      (d) If the Work includes a "NOTICE" text file as part of its
+          distribution, then any Derivative Works that You distribute must
+          include a readable copy of the attribution notices contained
+          within such NOTICE file, excluding those notices that do not
+          pertain to any part of the Derivative Works, in at least one
+          of the following places: within a NOTICE text file distributed
+          as part of the Derivative Works; within the Source form or
+          documentation, if provided along with the Derivative Works; or,
+          within a display generated by the Derivative Works, if and
+          wherever such third-party notices normally appear. The contents
+          of the NOTICE file are for informational purposes only and
+          do not modify the License. You may add Your own attribution
+          notices within Derivative Works that You distribute, alongside
+          or as an addendum to the NOTICE text from the Work, provided
+          that such additional attribution notices cannot be construed
+          as modifying the License.
+
+      You may add Your own copyright statement to Your modifications and
+      may provide additional or different license terms and conditions
+      for use, reproduction, or distribution of Your modifications, or
+      for any such Derivative Works as a whole, provided Your use,
+      reproduction, and distribution of the Work otherwise complies with
+      the conditions stated in this License.
+
+   5. Submission of Contributions. Unless You explicitly state otherwise,
+      any Contribution intentionally submitted for inclusion in the Work
+      by You to the Licensor shall be under the terms and conditions of
+      this License, without any additional terms or conditions.
+      Notwithstanding the above, nothing herein shall supersede or modify
+      the terms of any separate license agreement you may have executed
+      with Licensor regarding such Contributions.
+
+   6. Trademarks. This License does not grant permission to use the trade
+      names, trademarks, service marks, or product names of the Licensor,
+      except as required for reasonable and customary use in describing
+      the origin of the Work and reproducing the content of the NOTICE file.
+
+   7. Disclaimer of Warranty. Unless required by applicable law or
+      agreed to in writing, Licensor provides the Work (and each
+      Contributor provides its Contributions) on an "AS IS" BASIS,
+      WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or
+      implied, including, without limitation, any warranties or conditions
+      of TITLE, NON-INFRINGEMENT, MERCHANTABILITY, or FITNESS FOR A
+      PARTICULAR PURPOSE. You are solely responsible for determining the
+      appropriateness of using or redistributing the Work and assume any
+      risks associated with Your exercise of permissions under this License.
+
+   8. Limitation of Liability. In no event and under no legal theory,
+      whether in tort (including negligence), contract, or otherwise,
+      unless required by applicable law (such as deliberate and grossly
+      negligent acts) or agreed to in writing, shall any Contributor be
+      liable to You for damages, including any direct, indirect, special,
+      incidental, or consequential damages of any character arising as a
+      result of this License or out of the use or inability to use the
+      Work (including but not limited to damages for loss of goodwill,
+      work stoppage, computer failure or malfunction, or any and all
+      other commercial damages or losses), even if such Contributor
+      has been advised of the possibility of such damages.
+
+   9. Accepting Warranty or Additional Liability. While redistributing
+      the Work or Derivative Works thereof, You may choose to offer,
+      and charge a fee for, acceptance of support, warranty, indemnity,
+      or other liability obligations and/or rights consistent with this
+      License. However, in accepting such obligations, You may act only
+      on Your own behalf and on Your sole responsibility, not on behalf
+      of any other Contributor, and only if You agree to indemnify,
+      defend, and hold each Contributor harmless for any liability
+      incurred by, or claims asserted against, such Contributor by reason
+      of your accepting any such warranty or additional liability.
+
+   END OF TERMS AND CONDITIONS
+
+   APPENDIX: How to apply the Apache License to your work.
+
+      To apply the Apache License to your work, attach the following
+      boilerplate notice, with the fields enclosed by brackets "[]"
+      replaced with your own identifying information. (Don't include
+      the brackets!)  The text should be enclosed in the appropriate
+      comment syntax for the file format. We also recommend that a
+      file or class name and description of purpose be included on the
+      same "printed page" as the copyright notice for easier
+      identification within third-party archives.
+
+   Copyright 2026 BrainboxAI
+
+   Licensed under the Apache License, Version 2.0 (the "License");
+   you may not use this file except in compliance with the License.
+   You may obtain a copy of the License at
+
+       http://www.apache.org/licenses/LICENSE-2.0
+
+   Unless required by applicable law or agreed to in writing, software
+   distributed under the License is distributed on an "AS IS" BASIS,
+   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+   See the License for the specific language governing permissions and
+   limitations under the License.

NOTICE

@@ -0,0 +1,29 @@
+Nitzotz (BrainboxAI/nitzotz)
+Copyright 2026 BrainboxAI
+
+This model is released under the Apache License, Version 2.0 (see LICENSE).
+It is built from the following third-party work. Their licences and attribution requirements are kept here.
+
+Encoder
+- HalleluBERT-large (HalleluBERT/HalleluBERT_large), MIT License. The encoder weights of this model were initialised
+  from it and fine-tuned. Paper: arXiv 2510.21372.
+
+Architecture, training method and runtime
+- laya (github.com/NandhaKishorM/laya, NandhaKishorM / Convai Innovations), Apache License 2.0. The DecisionModel head
+  architecture, the option-marker scoring, the RLCD training objective and the laya runtime. The head of this model
+  was trained from scratch; no weights come from any laya checkpoint.
+- ggmlc (github.com/monatis/ggmlc), used to compile the GGUF files. ggmlc/nitzotz_trunk.py and
+  ggmlc/compile_nitzotz.py are adapted from its examples/laya files (laya_trunk.py, compile_laya.py).
+
+Training data
+- HeQ, Hebrew Question Answering Dataset v1.1 (NNLP-IL, github.com/NNLP-IL/Hebrew-Question-Answering-Dataset, commit
+  f46d2ff), CC BY 4.0. Created by Webiks for MAFAT and the National NLP Program of Israel. Includes passages from
+  Hebrew Wikipedia and from Geektime, shared by the dataset authors under the dataset licence. Train split only.
+  Items were reformatted into yes/no and 4-option questions.
+- MASSIVE (AmazonScience/massive, he-IL), CC BY 4.0, Amazon. FitzGerald et al., 2022. Train split only. Intent
+  labels were translated into short Hebrew labels.
+- Synthetic Hebrew messages written by DeepSeek V4.1 Flash (deepseek-ai, MIT License) and labelled by DeepSeek V4.1
+  Flash and Gemma 4 31B (google/gemma-4-31b-it, Apache License 2.0), both served by DeepInfra through OpenRouter,
+  with no data retention. These synthetic data are not redistributed here.
+
+No personal data and no private customer data were used.

README.md

@@ -0,0 +1,478 @@
+---
+license: apache-2.0
+language:
+- he
+library_name: laya
+pipeline_tag: zero-shot-classification
+base_model: HalleluBERT/HalleluBERT_large
+tags:
+- laya
+- hebrew
+- decision-model
+- calibrated
+- scam-detection
+- routing
+- gguf
+datasets:
+- AmazonScience/massive
+---
+
+> [!WARNING]
+> **DRAFT, numbers will be replaced by the final model.** This card is a local draft. Nothing here is published, and the model is not on Hugging Face yet. The numbers are the current best results, from one checkpoint used for every test.
+
+![Nitzotz: Hebrew decision model](assets/banner_en.png)
+
+![Scam detection accuracy 82.5%, 0.14 s per question, 413 MB, Apache-2.0](assets/tiles_en.png)
+
+**What it is.** Nitzotz reads a Hebrew message and answers questions you type about it: pick one of several options,
+give a score on a scale, or say yes or no to a claim. For every answer it gives a probability you can trust, so you
+know when it is sure and when it is guessing. It does not write text, so it cannot make things up. It runs on a normal
+laptop, with no internet connection and no cost per question.
+
+**What it is for.** Deciding what to do with incoming messages: is this a scam, what kind of message is it, which
+department should get it, how urgent is it. It is not a chatbot and it does not read long documents well
+(see [Limitations](#limitations)).
+
+**In numbers.** On 298 Hebrew messages it says correctly whether a message is a scam 82.5% of the
+time. For context: 70% of those messages are not scams, so a model that always
+says "not a scam" would score 70.5%; the two other open Hebrew-capable laya models score
+32.2% (RoeiG) and 50.3% (laya-multilingual). The number that matters more is
+the ranking: it gives real scams a higher probability than legitimate messages 88% of the time (AUC 0.88).
+
+## Try it
+
+**Live demo:** a Hugging Face Space will be linked here (not created yet).
+
+**Weights will be published with the release.** The commands below show how it will be used; the files they name are not uploaded yet.
+
+**Python** (the [laya](https://github.com/NandhaKishorM/laya) library, `pip install laya`):
+
+```python
+import laya
+agent = laya.load("BrainboxAI/nitzotz")
+q = {"scam": {"type": "noul", "instructions": "ההודעה מנסה לגרום לנמען לשלם בלי סיבה לגיטימית."}}
+print(agent.predict("החבילה שלך מעוכבת. לשחרור שלם 12.90 בקישור", q)["answers"]["scam"]["noul"])
+```
+
+**laya.exe** (the standalone binary from [ggmlc](https://github.com/monatis/ggmlc/releases), no Python needed; one
+JSON request per line in, one answer per line out):
+
+```bash
+laya daemon nitzotz-q8_0.gguf --device vulkan
+{"id":"1","state":"קוד האימות שלך הוא 000000","questions":{"scam":{"type":"noul","instructions":"ההודעה היא ניסיון הונאה."}}}
+```
+
+The answer is the probability that the claim is true, for example `0.83`. Several questions in one call are answered
+together in one pass.
+
+## Benchmarks
+
+8 frozen test sets, 3,990 questions in total, locked by checksum before any training data existed. All three
+models answered exactly the same questions. We compare only the open laya models that read Hebrew:
+
+- **Nitzotz**: this model.
+- **[RoeiG/laya-hebrew](https://huggingface.co/RoeiG/laya-hebrew)**: a laya model on NeoDictaBERT. **Licence
+  CC-BY-NC-SA-4.0: non-commercial use only.** It is here as a reference point, you cannot use it in a product.
+- **[laya-multilingual](https://huggingface.co/convaiinnovations/laya)** (convaiinnovations, the `multilingual`
+  subfolder): the original laya authors' model for 100+ languages. Apache-2.0.
+
+![Accuracy per test](assets/bars_en.png)
+
+![Accuracy shape per model](assets/radar_en.png)
+
+**Full table.** Accuracy, the best in each row in bold. The last two columns say whether Nitzotz's difference from that
+model is real or could be luck (a paired exact McNemar test on the same questions): "better" or "worse" means
+p < 0.05, "tie" means the difference could be chance.
+
+| Test (questions) | Nitzotz | RoeiG (non-commercial) | laya-multilingual | Chance | Nitzotz vs RoeiG | Nitzotz vs laya-multilingual |
+|---|---|---|---|---|---|---|
+| Scam or not? (298 messages) | **82.5%** | 32.2% | 50.3% | 50.0% | **better**<br>p<0.001 | **better**<br>p<0.001 |
+| &nbsp;&nbsp;&nbsp;same, hard cases only (65) | **63.1%** | 32.3% | 35.4% | 50.0% | **better**<br>p<0.001 | **better**<br>p=0.008 |
+| Message type, 6 options (298) | **75.5%** | 52.7% | 20.8% | 16.7% | **better**<br>p<0.001 | **better**<br>p<0.001 |
+| &nbsp;&nbsp;&nbsp;same, hard cases only (65) | **53.8%** | 44.6% | 24.6% | 16.7% | tie<br>p=0.34 | **better**<br>p<0.001 |
+| Support ticket type, 5 options (30) | **83.3%** | 80.0% | 56.7% | 20.0% | tie<br>p=1.00 | tie<br>p=0.06 |
+| Ticket urgency, 5 levels (30) | **60.0%** | 36.7% | 33.3% | 20.0% | tie<br>p=0.17 | tie<br>p=0.12 |
+| Paying customer? yes/no (30) | **63.3%** | 56.7% | 50.0% | 50.0% | tie<br>p=0.50 | tie<br>p=0.54 |
+| Voice command intent, 20 options (500) | **88.8%** | 72.6% | 47.4% | 5.0% | **better**<br>p<0.001 | **better**<br>p<0.001 |
+| Voice command intent, 4 options (500) | **96.2%** | 90.8% | 69.4% | 25.0% | **better**<br>p<0.001 | **better**<br>p<0.001 |
+| News topic, 7 options (204) | 79.4% | **82.3%** | 66.2% | 14.3% | tie<br>p=0.42 | **better**<br>p<0.001 |
+| Does the passage support this answer? (600) | 93.8% | **94.2%** | 48.8% | 50.0% | tie<br>p=0.90 | **better**<br>p<0.001 |
+| Plausible answer the passage does not give (600) | **91.0%** | 53.0% | 53.7% | 50.0% | **better**<br>p<0.001 | **better**<br>p<0.001 |
+| Reading comprehension, 4 options (900) | 52.7% | **75.4%** | 31.4% | 25.0% | **worse**<br>p<0.001 | **better**<br>p<0.001 |
+
+How to read it:
+- **MASSIVE** (voice commands): Nitzotz was trained on MASSIVE's training commands. The test commands are different,
+  but written by the same people in the same style, so this test is easier for Nitzotz than for the others.
+- **HeQ**: both Nitzotz (for these two rows) and RoeiG were trained on HeQ's training passages. The test passages are
+  different ones.
+- **The support-ticket rows have only 30 questions.** No difference there is reliable.
+- **The spam and scam test has a lean**: 70% of its messages are not scams. The
+  "chance" line (50%) is a coin flip, not the best blind strategy.
+
+### Where RoeiG leads
+
+We say this plainly because you should know it before you choose:
+
+- **News topic, 7 options (204)**: RoeiG 82.3%, Nitzotz 79.4%. No clear difference (p=0.42).
+- **Does the passage support this answer? (600)**: RoeiG 94.2%, Nitzotz 93.8%. No clear difference (p=0.90).
+- **Reading comprehension, 4 options (900)**: RoeiG 75.4%, Nitzotz 52.7%. Nitzotz worse (p<0.001).
+
+**Reading a passage and answering questions about it (Belebele) is RoeiG's strength and Nitzotz's weakness.** RoeiG
+was trained on reading-comprehension data; Nitzotz was not built for it. If your task is reading documents, Nitzotz is
+the wrong model. Remember that RoeiG cannot be used commercially.
+
+## Why you can trust it
+
+![Calibration: predicted confidence against actual accuracy](assets/calibration_en.png)
+
+**The probabilities mean something.** Take all the answers where Nitzotz said it was about 70 to 80% sure, and count
+how many were right: the chart above does that for every confidence level, over 3,990 test questions.
+Where the dots sit above the line, Nitzotz is more often right than it claims (it is modest); where they sit below, it
+is over-confident. This is what lets you set thresholds (see the next section). The per-question-type temperatures
+were fitted on held-out training items, never on the test sets.
+
+**It reads the text.** With the message removed and only the question left, its accuracy falls to
+70.5% on the scam question and 7.7% on message type. So the
+answers come from the message, not from the wording of the question.
+
+![Speed against file size](assets/speed_en.png)
+
+**It is fast on ordinary hardware.** On one laptop (Intel Core Ultra 9 285H laptop, built-in Arc 140T GPU, Windows 11), one question at a time:
+the Q8 file answers in a median of 140 ms (slowest 10%: 187 ms or more), the F16 file in 154 ms.
+Through Python on the same GPU Nitzotz takes 294 ms and RoeiG 1005 ms (measured on the same machine, but
+in separate runs on 50 and 40 test questions of similar length, about 134 and 136 tokens). laya-multilingual was
+not measured on this machine, so it has no speed on the chart. The Q8 file gives the same top answer as the full
+Python model on 50/50 check questions.
+
+## Use it in your business
+
+![Ramzor: message to Nitzotz to green, yellow or red](assets/ramzor_en.svg)
+
+**The idea ("Ramzor", traffic light).** Every incoming message gets one or more quick questions. The probability
+decides what happens next:
+
+- **Green** (confident it is fine): handle automatically, file it, tag it, route it.
+- **Yellow** (not sure): send it to a person, or to a large language model if you use one.
+- **Red** (confident it is a scam): block or quarantine it.
+
+The drawing is a worked example on the 298 test messages. The upper threshold, 0.52, is the one chosen for the
+scam question on held-out training messages (never on the test); the lower one, 0.35, was picked by hand. With them,
+183 messages go to green (16 of them are in fact scams), 48 to yellow (21 scams), and 67 to red (16 of them are
+in fact legitimate). So today most messages still need a look, and red should mean "quarantine and check", not
+"delete". Pick your own thresholds on a sample of your own messages, and decide how many mistakes in green and red
+you can live with. At the 0.52 threshold alone, the scam answer is right 82.2% of the time overall and
+64.6% on the 65 hard cases.
+
+The model is cheap enough to run on every message. The person (or the LLM) only sees the yellow part. **Do not use it
+as the only line of defence for decisions that can hurt someone.**
+
+## Training data and transparency
+
+58,000 training items, one pass over the data, on a rented GPU.
+
+| Source | Items | Licence | How it was made |
+|---|---|---|---|
+| Synthetic: Message type, 6 classes | 14,000 | teacher output, project-owned (DeepSeek MIT; Gemma Apache-2.0) | written by DeepSeek V4.1 Flash, labelled independently by both models |
+| Synthetic: Routing to a department (3 to 6 options) | 8,750 | teacher output, project-owned (DeepSeek MIT; Gemma Apache-2.0) | written by DeepSeek V4.1 Flash, labelled independently by both models |
+| Synthetic: Yes/no claims about a message | 8,750 | teacher output, project-owned (DeepSeek MIT; Gemma Apache-2.0) | written by DeepSeek V4.1 Flash, labelled independently by both models |
+| Synthetic: Urgency, 5 levels | 3,500 | teacher output, project-owned (DeepSeek MIT; Gemma Apache-2.0) | written by DeepSeek V4.1 Flash, labelled independently by both models |
+| HeQ: is the proposed answer supported (yes/no) | 6,000 | CC BY 4.0 | the dataset's gold labels, train split only |
+| HeQ: plausible answer to an unanswerable question | 5,000 | CC BY 4.0 | the dataset's gold labels, train split only |
+| HeQ: 4-option reading | 5,000 | CC BY 4.0 | the dataset's gold labels, train split only |
+| MASSIVE he-IL: voice command intent | 7,000 | CC BY 4.0 | the dataset's gold labels, train split only |
+
+- **Synthetic messages (35,000 items).** DeepSeek V4.1 Flash (MIT) wrote Israeli-style SMS, WhatsApp and email messages
+  from a plan (intended label, topic, tone, varied fake phone numbers and links). DeepSeek and Gemma 4 31B
+  (Apache-2.0) then each labelled every message on their own. A message was kept only if both agreed; the two models
+  agreed on 94% of them, and 93.7% of the 37,429 written messages were kept. Both ran
+  through DeepInfra (via OpenRouter), with data retention off and "thinking" mode off. Cost: 5.39 USD. The
+  synthetic data is not published.
+- **Open data.** HeQ v1.1 (CC BY 4.0; about half of its questions are on Geektime articles, shared by the HeQ authors under
+  the same licence) and MASSIVE he-IL (CC BY 4.0). Training splits only.
+- **No leaks from the tests.** Every training item was compared with every test question; anything sharing an
+  8-word run with a test text was dropped, and so were MASSIVE commands equal to a test command.
+- **Not used:** no output of closed commercial chatbots, no DICTA model, no non-commercial or share-alike data.
+- **Encoder:** HalleluBERT-large (MIT), 357.1M parameters, fine-tuned; laya head 26.5M parameters, trained from scratch.
+- **The reading encoder is merged into this checkpoint.** HalleluBERT was first trained to find answers in HeQ passages (27,085 HeQ training questions, CC BY 4.0), then given a laya head and fine-tuned on the same training set as every other row. The two HeQ rows use the same checkpoint as the rest of the table, not a separate one.
+
+**About the tests.**
+
+| Test | Questions | Source and licence |
+|---|---|---|
+| Spam and business messages | 596 (298 messages, 2 questions each) | in-house, Israeli SMS, WhatsApp and email style, 65 hard cases |
+| Support tickets (triage30) | 90 (30 tickets, 3 questions each) | in-house |
+| MASSIVE he-IL, 20 and 4 options | 500 + 500 | MASSIVE test split, CC BY 4.0 |
+| SIB-200 news topic | 204 | CC BY-SA 4.0, used for testing only |
+| Belebele reading | 900 | CC BY-SA 4.0, used for testing only |
+| HeQ verify and unanswerable | 600 + 600 | HeQ v1.1 test split, CC BY 4.0 |
+
+Caveats that change how much to trust the numbers:
+- **The spam and business test was written by an AI model and checked by an AI model, not by a person.** Real inboxes
+  will look different. It was frozen after that review (4 labels changed, 2 messages removed).
+- **One training run, one random seed.** Differences of 1 to 3 points between models may be run-to-run noise.
+- **The training labels come from two AI models.** Where both are wrong in the same way, Nitzotz learned their mistake.
+- HeQ's wrong answers in the test were picked by code, not checked by a person.
+
+## Limitations
+
+- **It does not read documents well.** Belebele reading comprehension: 52.7%, where a blind guess gets 25%.
+  Do not ask it whether a long document supports a claim.
+- **HeQ answer checking looks strong, with a catch.** 93.8% with the passage, but still 50.0% with the
+  passage removed (RoeiG: 80.0%). A lot of that score comes from the question and answer alone, not from reading.
+- **Numbers, dates, amounts and rules**: not trained and not measured. Compute them in code and pass the result in.
+- **Hard cases are the weak spot**: scams written to look legitimate (a "supplier" changing bank details, the "CEO"
+  asking for a transfer) and real messages that look like scams (a real bank alert with a link, a real verification
+  code). On the 65 hard cases the scam question is right 63.1% of the time.
+- **Urgency is subjective.** Even the two teacher models matched the intended urgency only about 62 to 64% of the time.
+- **Sarcasm and irony** are probably read literally. Not measured.
+- **512 tokens** (roughly 300 to 400 Hebrew words) per question. A longer message is cut from the end without a warning.
+- **Hebrew only.** Not trained or tested on English or Arabic.
+- **Not a safety system on its own.** It makes mistakes in both directions. Keep a person in the loop for anything
+  that can hurt someone.
+
+## Licence and attribution
+
+**Apache-2.0** for the weights, the GGUF files and the code. Commercial use is allowed. Built on:
+
+- [HalleluBERT-large](https://huggingface.co/HalleluBERT/HalleluBERT_large): the encoder, MIT.
+- [laya](https://github.com/NandhaKishorM/laya) (NandhaKishorM, Convai Innovations): architecture, training method and
+  runtime, Apache-2.0. No laya weights are used.
+- [HeQ](https://github.com/NNLP-IL/Hebrew-Question-Answering-Dataset): CC BY 4.0, by Webiks for MAFAT and the Israeli
+  National NLP Program (NNLP-IL); includes Geektime passages.
+- [MASSIVE](https://huggingface.co/datasets/AmazonScience/massive): CC BY 4.0, Amazon (FitzGerald et al., 2022).
+- **DeepSeek V4.1 Flash** (MIT) and **Gemma 4 31B** (Apache-2.0), used through DeepInfra as data writer and labellers.
+- [ggmlc](https://github.com/monatis/ggmlc) for the GGUF files.
+- Belebele and SIB-200 (CC BY-SA 4.0) were used only to test, never to train.
+
+The full notice is in `NOTICE`.
+
+---
+
+<div dir="rtl">
+
+## ניצוץ, בעברית
+
+> [!WARNING]
+> **טיוטה, המספרים יוחלפו במודל הסופי.** זה כרטיס טיוטה מקומי. שום דבר כאן לא פורסם, והמודל עוד לא נמצא ב-Hugging Face. המספרים הם התוצאות הטובות ביותר כרגע, מגרסה אחת שנבדקה בכל המבחנים.
+
+![ניצוץ: מודל החלטות בעברית](assets/banner_he.png)
+
+![דיוק בזיהוי הונאות 82.5%, 0.14 שניות לשאלה, 413 MB, Apache-2.0](assets/tiles_he.png)
+
+**מה זה.** ניצוץ קורא הודעה בעברית ועונה על שאלות שאתם מקלידים עליה: לבחור אחת מכמה אפשרויות, לתת ציון בסולם, או
+לענות כן או לא על טענה. על כל תשובה הוא נותן הסתברות שאפשר לסמוך עליה, כך שיודעים מתי הוא בטוח ומתי הוא מנחש. הוא לא
+כותב טקסט, ולכן הוא לא יכול להמציא דברים. הוא רץ על מחשב נייד רגיל, בלי אינטרנט ובלי תשלום על כל שאלה.
+
+**בשביל מה.** להחליט מה עושים עם הודעות נכנסות: האם זו הונאה, איזה סוג הודעה זו, לאיזו מחלקה להעביר, כמה זה דחוף. זה
+לא צ'אטבוט, והוא לא טוב בקריאת מסמכים ארוכים (ראו [מגבלות](#מגבלות)).
+
+**במספרים.** על 298 הודעות בעברית הוא קובע נכון אם ההודעה היא הונאה ב-82.5% מהמקרים. בשביל
+פרופורציה: 70% מההודעות האלה הן לא הונאה, כך שמודל שתמיד עונה "לא הונאה" היה מקבל 70.5%.
+שני מודלי laya הפתוחים האחרים שקוראים עברית מקבלים 32.2% (RoeiG) ו-50.3% (laya-multilingual). המספר
+שחשוב יותר הוא הדירוג: הוא נותן להונאה אמיתית הסתברות גבוהה יותר מאשר להודעה תקינה ב-88% מהמקרים (AUC 0.88).
+
+### לנסות
+
+**הדגמה חיה:** כאן יופיע קישור ל-Space ב-Hugging Face (עוד לא נוצר).
+
+**המשקולות יפורסמו יחד עם ההשקה.** הפקודות למטה מראות איך זה ייראה, הקבצים שהן מזכירות עוד לא הועלו.
+
+**בפייתון** (הספרייה [laya](https://github.com/NandhaKishorM/laya), `pip install laya`):
+
+</div>
+
+```python
+import laya
+agent = laya.load("BrainboxAI/nitzotz")
+q = {"scam": {"type": "noul", "instructions": "ההודעה מנסה לגרום לנמען לשלם בלי סיבה לגיטימית."}}
+print(agent.predict("החבילה שלך מעוכבת. לשחרור שלם 12.90 בקישור", q)["answers"]["scam"]["noul"])
+```
+
+<div dir="rtl">
+
+**בלי פייתון, עם laya.exe** (תוכנה עצמאית מ-[ggmlc](https://github.com/monatis/ggmlc/releases). בקשת JSON אחת בכל
+שורה נכנסת, תשובה אחת בכל שורה יוצאת):
+
+</div>
+
+```bash
+laya daemon nitzotz-q8_0.gguf --device vulkan
+{"id":"1","state":"קוד האימות שלך הוא 000000","questions":{"scam":{"type":"noul","instructions":"ההודעה היא ניסיון הונאה."}}}
+```
+
+<div dir="rtl">
+
+התשובה היא ההסתברות שהטענה נכונה, למשל `0.83`. כמה שאלות בקריאה אחת נענות יחד, במעבר אחד.
+
+### מבחנים
+
+8 סטים של מבחן, 3,990 שאלות בסך הכול, שננעלו בטביעת אצבע לפני שנוצר פריט אימון אחד. שלושת המודלים ענו על
+אותן שאלות בדיוק. משווים רק למודלי laya פתוחים שקוראים עברית:
+
+- **ניצוץ**: המודל הזה.
+- **[RoeiG/laya-hebrew](https://huggingface.co/RoeiG/laya-hebrew)**: מודל laya על NeoDictaBERT. **רישיון
+  CC-BY-NC-SA-4.0: לשימוש לא מסחרי בלבד.** הוא כאן כנקודת השוואה. אי אפשר להשתמש בו במוצר.
+- **[laya-multilingual](https://huggingface.co/convaiinnovations/laya)** (convaiinnovations, תיקיית `multilingual`):
+  המודל של יוצרי laya ליותר מ-100 שפות. Apache-2.0.
+
+![דיוק לפי מבחן](assets/bars_he.png)
+
+![הצורה של כל מודל](assets/radar_he.png)
+
+**הטבלה המלאה.** אחוז התשובות הנכונות, הטוב ביותר בכל שורה מודגש. שתי העמודות האחרונות אומרות אם ההבדל של ניצוץ
+מהמודל הזה אמיתי או שאולי זה מזל (מבחן McNemar מדויק על אותן שאלות בדיוק): "טוב יותר" או "חלש יותר" פירושו p
+קטן מ-0.05, "תיקו" פירושו שההבדל יכול להיות מקרי.
+
+| מבחן (מספר שאלות) | ניצוץ | RoeiG (לא מסחרי) | laya-multilingual | ניחוש | ניצוץ מול RoeiG | ניצוץ מול laya-multilingual |
+|---|---|---|---|---|---|---|
+| הונאה או לא? (298 הודעות) | **82.5%** | 32.2% | 50.3% | 50.0% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+| &nbsp;&nbsp;&nbsp;אותו דבר, רק המקרים הקשים (65) | **63.1%** | 32.3% | 35.4% | 50.0% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p=0.008 |
+| סוג ההודעה, 6 אפשרויות (298) | **75.5%** | 52.7% | 20.8% | 16.7% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+| &nbsp;&nbsp;&nbsp;אותו דבר, רק המקרים הקשים (65) | **53.8%** | 44.6% | 24.6% | 16.7% | תיקו<br>p=0.34 | **טוב יותר**<br>p<0.001 |
+| סוג פניית תמיכה, 5 אפשרויות (30) | **83.3%** | 80.0% | 56.7% | 20.0% | תיקו<br>p=1.00 | תיקו<br>p=0.06 |
+| דחיפות הפנייה, 5 רמות (30) | **60.0%** | 36.7% | 33.3% | 20.0% | תיקו<br>p=0.17 | תיקו<br>p=0.12 |
+| לקוח משלם? כן/לא (30) | **63.3%** | 56.7% | 50.0% | 50.0% | תיקו<br>p=0.50 | תיקו<br>p=0.54 |
+| כוונת פקודה קולית, 20 אפשרויות (500) | **88.8%** | 72.6% | 47.4% | 5.0% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+| כוונת פקודה קולית, 4 אפשרויות (500) | **96.2%** | 90.8% | 69.4% | 25.0% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+| נושא של ידיעה, 7 אפשרויות (204) | 79.4% | **82.3%** | 66.2% | 14.3% | תיקו<br>p=0.42 | **טוב יותר**<br>p<0.001 |
+| האם הקטע תומך בתשובה? (600) | 93.8% | **94.2%** | 48.8% | 50.0% | תיקו<br>p=0.90 | **טוב יותר**<br>p<0.001 |
+| תשובה סבירה שהקטע לא נותן (600) | **91.0%** | 53.0% | 53.7% | 50.0% | **טוב יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+| הבנת הנקרא, 4 אפשרויות (900) | 52.7% | **75.4%** | 31.4% | 25.0% | **חלש יותר**<br>p<0.001 | **טוב יותר**<br>p<0.001 |
+
+איך לקרוא את זה:
+- **MASSIVE** (פקודות קוליות): ניצוץ אומן על פקודות האימון של MASSIVE. פקודות המבחן אחרות, אבל נכתבו בידי אותם
+  אנשים ובאותו סגנון, ולכן המבחן הזה קל יותר לניצוץ מאשר לאחרים.
+- **HeQ**: גם ניצוץ (בשתי השורות האלה) וגם RoeiG אומנו על קטעי האימון של HeQ. קטעי המבחן אחרים.
+- **בשורות של פניות התמיכה יש רק 30 שאלות.** שום הבדל שם לא אמין.
+- **מבחן הספאם וההונאות לא מאוזן**: 70% מההודעות בו הן לא הונאה. קו ה"ניחוש" (50%) הוא הטלת
+  מטבע, לא האסטרטגיה העיוורת הטובה ביותר.
+
+### איפה RoeiG מוביל
+
+אומרים את זה בפשטות, כי כדאי לדעת את זה לפני שבוחרים:
+
+- **נושא של ידיעה, 7 אפשרויות (204)**: RoeiG 82.3%, ניצוץ 79.4%. אין הבדל ברור (p=0.42).
+- **האם הקטע תומך בתשובה? (600)**: RoeiG 94.2%, ניצוץ 93.8%. אין הבדל ברור (p=0.90).
+- **הבנת הנקרא, 4 אפשרויות (900)**: RoeiG 75.4%, ניצוץ 52.7%. ניצוץ חלש יותר (p<0.001).
+
+**לקרוא קטע ולענות עליו שאלות (Belebele) זה החוזק של RoeiG והחולשה של ניצוץ.** RoeiG אומן על נתוני הבנת הנקרא,
+וניצוץ לא נבנה לזה. אם המשימה שלכם היא קריאת מסמכים, ניצוץ הוא המודל הלא נכון. וזכרו ש-RoeiG אסור לשימוש מסחרי.
+
+### למה אפשר לסמוך עליו
+
+![כיול: הביטחון שהוא מצהיר מול כמה פעמים הוא צדק](assets/calibration_he.png)
+
+**להסתברויות יש משמעות.** קחו את כל התשובות שבהן ניצוץ אמ�� שהוא בטוח בערך ב-70 עד 80%, וספרו כמה מהן היו נכונות.
+הגרף עושה את זה לכל רמת ביטחון, על 3,990 שאלות מבחן. כשהנקודות מעל הקו, ניצוץ צודק יותר ממה שהוא אומר (הוא
+צנוע). כשהן מתחת, הוא בטוח בעצמו יותר מדי. זה מה שמאפשר לקבוע ספים (בפרק הבא). הכיול נעשה על פריטי אימון שהופרדו
+מראש, אף פעם לא על המבחן.
+
+**הוא באמת קורא את הטקסט.** כשמוחקים את ההודעה ומשאירים רק את השאלה, הדיוק יורד ל-70.5% בשאלת ההונאה
+ול-7.7% בסוג ההודעה. כלומר התשובות באות מההודעה, לא מהניסוח של השאלה.
+
+![מהירות מול גודל](assets/speed_he.png)
+
+**הוא מהיר על חומרה רגילה.** על מחשב נייד עם מעבד Intel Core Ultra 9 285H וכרטיס המסך המובנה Arc 140T, ווינדוס 11, שאלה אחת בכל פעם: הקובץ
+Q8 עונה בחציון של 140 מילישניות (10% האיטיים ביותר: 187 ומעלה), והקובץ F16 ב-154. דרך פייתון על אותו כרטיס
+מסך ניצוץ לוקח 294 ו-RoeiG לוקח 1005 (נמדד על אותו מחשב, אבל בריצות נפרדות, על 50 ו-40 שאלות מבחן באורך
+דומה). laya-multilingual לא נמדד על המחשב הזה, ולכן אין לו מהירות בגרף. קובץ Q8 נותן את אותה תשובה מובילה כמו
+מודל הפייתון המלא ב-50/50 שאלות בדיקה.
+
+### שימוש בעסק
+
+![רמזור: הודעה, ניצוץ, ירוק צהוב או אדום](assets/ramzor_he.svg)
+
+**הרעיון ("רמזור").** כל הודעה נכנסת מקבלת שאלה מהירה אחת או כמה. ההסתברות מחליטה מה קורה הלאה:
+
+- **ירוק** (בטוח שזה בסדר): טיפול אוטומטי, תיוק, תיוג, ניתוב.
+- **צהוב** (לא בטוח): לבדיקה של אדם, או של מודל שפה גדול אם אתם משתמשים בו.
+- **אדום** (בטוח שזו הונאה): חסימה או הסגר.
+
+השרטוט הוא דוגמה על 298 הודעות המבחן. הסף העליון, 0.52, הוא הסף שנבחר לשאלת ההונאה על הודעות אימון
+שהופרדו מראש (אף פעם לא על המבחן). הסף התחתון, 0.35, נבחר ביד. איתם 183 הודעות הולכות לירוק (16 מהן הן בעצם הונאה),
+48 לצהוב (21 הונאות), ו-67 לאדום (16 מהן בעצם תקינות). כלומר היום רוב ההודעות עדיין צריכות מבט, ואדום צריך
+להיות "הסגר ובדיקה", לא "מחיקה". בחרו ספים משלכם על מדגם של ההודעות שלכם, והחליטו כמה טעויות בירוק ובאדום אתם
+מוכנים לקבל. בסף 0.52 לבדו, תשובת ההונאה נכונה ב-82.2% מהמקרים בסך הכול וב-64.6% על 65 המקרים הקשים.
+
+המודל זול מספיק כדי להריץ אותו על כל הודעה. האדם (או מודל השפה) רואה רק את החלק הצהוב. **אל תשתמשו בו כקו הגנה
+יחיד בהחלטות שיכולות לפגוע במישהו.**
+
+### נתוני האימון ושקיפות
+
+58,000 פריטי אימון, מעבר אחד על הנתונים, על כרטיס מסך שכור.
+
+| מקור | פריטים | רישיון | איך נוצר |
+|---|---|---|---|
+| סינתטי: סוג הודעה, 6 סוגים | 14,000 | הפלט של המורה שייך לנו (DeepSeek, MIT; Gemma, Apache-2.0) | נכתב בידי DeepSeek V4.1 Flash, סומן בנפרד בידי שני המודלים |
+| סינתטי: ניתוב למחלקה (3 עד 6 אפשרויות) | 8,750 | הפלט של המורה שייך לנו (DeepSeek, MIT; Gemma, Apache-2.0) | נכתב בידי DeepSeek V4.1 Flash, סומן בנפרד בידי שני המודלים |
+| סינתטי: טענות כן/לא על הודעה | 8,750 | הפלט של המורה שייך לנו (DeepSeek, MIT; Gemma, Apache-2.0) | נכתב בידי DeepSeek V4.1 Flash, סומן בנפרד בידי שני המודלים |
+| סינתטי: דחיפות, 5 רמות | 3,500 | הפלט של המורה שייך לנו (DeepSeek, MIT; Gemma, Apache-2.0) | נכתב בידי DeepSeek V4.1 Flash, סומן בנפרד בידי שני המודלים |
+| HeQ: האם התשובה המוצעת נתמכת (כן/לא) | 6,000 | CC BY 4.0 | תוויות הזהב של המאגר, מפיצול האימון בלבד |
+| HeQ: תשובה סבירה לשאלה שאין לה תשובה | 5,000 | CC BY 4.0 | תוויות הזהב של המאגר, מפיצול האימון בלבד |
+| HeQ: קריאה, 4 אפשרויות | 5,000 | CC BY 4.0 | תוויות הזהב של המאגר, מפיצול האימון בלבד |
+| MASSIVE he-IL: כוונת פקודה קולי�� | 7,000 | CC BY 4.0 | תוויות הזהב של המאגר, מפיצול האימון בלבד |
+
+- **הודעות סינתטיות (35,000 פריטים).** DeepSeek V4.1 Flash (MIT) כתב הודעות SMS, וואטסאפ ומייל בסגנון ישראלי
+  לפי תוכנית (התווית המתוכננת, נושא, משלב, מספרי טלפון וקישורים מזויפים ומגוונים). אחר כך DeepSeek ו-Gemma 4 31B
+  (Apache-2.0) סימנו כל הודעה, כל אחד לבד. הודעה נשמרה רק אם שניהם הסכימו. הם הסכימו על 94% מההודעות,
+  ונשמרו 93.7% מתוך 37,429 ההודעות שנכתבו. שניהם רצו דרך DeepInfra (דרך OpenRouter), בלי שמירת נתונים
+  ובלי מצב "חשיבה". עלות: 5.39 דולר. הנתונים הסינתטיים לא מפורסמים.
+- **נתונים פתוחים.** HeQ v1.1 (CC BY 4.0. בערך חצי מהשאלות שלו על כתבות של Geektime, ומחברי HeQ משתפים אותם באותו רישיון) ו-MASSIVE
+  he-IL (CC BY 4.0). רק מפיצולי האימון.
+- **בלי דליפה מהמבחנים.** כל פריט אימון הושווה לכל שאלת מבחן. כל מה שחולק רצף של 8 מילים עם טקסט מבחן נזרק, וגם
+  פקודות MASSIVE שזהות לפקודת מבחן.
+- **מה לא שימש:** שום פלט של צ'אטבוט מסחרי סגור, שום מודל של DICTA, שום נתונים לא מסחריים או ברישיון "שיתוף זהה".
+- **המקודד:** HalleluBERT-large (MIT), 357.1 מיליון פרמטרים, אומן מחדש. ראש laya עם 26.5 מיליון פרמטרים, אומן מאפס.
+- **מקודד הקריאה משולב בגרסה הזו.** HalleluBERT אומן קודם למצוא תשובות בקטעי HeQ (27,085 שאלות אימון של HeQ, CC BY 4.0), ואחר כך קיבל ראש laya ואומן על אותם נתוני אימון כמו כל שורה אחרת. שתי שורות HeQ משתמשות באותה גרסה כמו שאר הטבלה, לא בגרסה נפרדת.
+
+**על המבחנים.**
+
+| מבחן | שאלות | מקור ורישיון |
+|---|---|---|
+| הודעות ספאם ועסקים | 596 (298 הודעות, 2 שאלות לכל אחת) | פנימי, בסגנון SMS, וואטסאפ ומייל ישראלי, 65 מקרים קשים |
+| פניות תמיכה (triage30) | 90 (30 פניות, 3 שאלות לכל אחת) | פנימי |
+| MASSIVE he-IL, 20 ו-4 אפשרויות | 500 + 500 | פיצול המבחן של MASSIVE, CC BY 4.0 |
+| SIB-200, נושא ידיעה | 204 | CC BY-SA 4.0, רק לבדיקה |
+| Belebele, הבנת הנקרא | 900 | CC BY-SA 4.0, רק לבדיקה |
+| HeQ, אימות ו"אין תשובה" | 600 + 600 | פיצול המבחן של HeQ v1.1, CC BY 4.0 |
+
+הסתייגויות שמשנות כמה לסמוך על המספרים:
+- **מבחן הספאם והעסקים נכתב בידי מודל AI ונבדק בידי מודל AI, לא בידי אדם.** תיבות דואר אמיתיות ייראו אחרת. הוא ננעל
+  אחרי הבדיקה הזו (4 תוויות שונו, 2 הודעות הוסרו).
+- **ריצת אימון אחת, זרע אקראי אחד.** הבדלים של 1 עד 3 נקודות בין מודלים יכולים להיות רעש בין ריצות.
+- **תוויות האימון באות משני מודלי AI.** איפה ששניהם טועים באותו אופן, ניצוץ למד את הטעות שלהם.
+- התשובות השגויות של HeQ במבחן נבחרו בקוד, ולא נבדקו בידי אדם.
+
+### מגבלות
+
+- **הוא לא קורא מסמכים טוב.** הבנת הנקרא ב-Belebele: 52.7%, כשניחוש עיוור מקבל 25%. אל תשאלו אותו אם מסמך ארוך
+  תומך בטענה.
+- **בדיקת תשובות ב-HeQ נראית חזקה, עם כוכבית.** 93.8% עם הקטע, אבל עדיין 50.0% כשמוחקים את הקטע (RoeiG:
+  80.0%). חלק גדול מהציון בא מהשאלה והתשובה עצמן, לא מהקריאה.
+- **מספרים, תאריכים, סכומים וכללים**: לא אומן עליהם ולא נמדד. חשבו אותם בקוד והעבירו את התוצאה.
+- **המקרים הקשים הם נקודת התורפה**: הונאות שנכתבו כדי להיראות לגיטימיות ("ספק" שמחליף פרטי חשבון בנק, "המנכ"ל" שמבקש
+  העברה), והודעות אמיתיות שנראות כמו הונאה (התראה אמיתית מהבנק עם קישור, קוד אימות אמיתי). על 65 המקרים הקשים שאלת
+  ההונאה צודקת ב-63.1% מהמקרים.
+- **דחיפות היא עניין סובייקטיבי.** אפילו שני מודלי המורה הסכימו עם הדחיפות המתוכננת רק בכ-62 עד 64% מהמקרים.
+- **ציניות ואירוניה** כנראה נקראות מילולית. לא נמדד.
+- **512 טוקנים** (בערך 300 עד 400 מילים בעברית) לשאלה. הודעה ארוכה יותר נחתכת מהסוף בלי אזהרה.
+- **עברית בלבד.** לא אומן ולא נבדק על אנגלית או ערבית.
+- **זו לא מערכת הגנה לבד.** הוא טועה לשני הכיוונים. השאירו אדם בתהליך בכל דבר שיכול לפגוע במישהו.
+
+### רישיון וקרדיטים
+
+**Apache-2.0** למשקולות, לקובצי ה-GGUF ולקוד. מותר לשימוש מסחרי. בנוי על:
+
+- [HalleluBERT-large](https://huggingface.co/HalleluBERT/HalleluBERT_large): המקודד, MIT.
+- [laya](https://github.com/NandhaKishorM/laya) (NandhaKishorM, Convai Innovations): הארכיטקטורה, שיטת האימון וסביבת
+  ההרצה, Apache-2.0. לא נעשה שימוש במשקולות של laya.
+- [HeQ](https://github.com/NNLP-IL/Hebrew-Question-Answering-Dataset): CC BY 4.0, של Webiks עבור מפא"ת ותוכנית ה-NLP
+  הלאומית (NNLP-IL). כולל קטעים מ-Geektime.
+- [MASSIVE](https://huggingface.co/datasets/AmazonScience/massive): CC BY 4.0, אמזון (FitzGerald ואחרים, 2022).
+- **DeepSeek V4.1 Flash** (MIT) ו-**Gemma 4 31B** (Apache-2.0), דרך DeepInfra, ככותב הנתונים וכמסמנים.
+- [ggmlc](https://github.com/monatis/ggmlc) לקובצי ה-GGUF.
+- Belebele ו-SIB-200 (CC BY-SA 4.0) שימשו רק לבדיקה, אף פעם לא לאימון.
+
+ההודעה המלאה בקובץ `NOTICE`.
+
+</div>