I.11Классификация, ранжирование и сопоставление

Это версия Llama 3.2 Vision, размещённая Unsloth и основанная на Meta Llama 3.2 11B Vision. Модель использует плотную мультимодальную архитектуру Mllama и предназначена для обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Репозиторий содержит веса в формате safetensors и пример ноутбука Unsloth для дообучения модели с меньшими затратами памяти. Модель подходит для визуальных вопросов и ответов, описания изображений и других диалоговых сценариев, где нужно связать изображение с текстом. В карточке Unsloth не приведены отдельные параметры длины контекста или точные языковые характеристики именно этой версии. В README Llama 3.2 перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский как официально поддерживаемые языки. Использование регулируется лицензией Llama 3.2 Community License — специальной лицензией с коммерческими условиями.

CarrotAI/Llama-3.2-Rabbit-Ko-3B-Instruct-2412 — диалоговая instruction-tuned языковая модель CarrotAI на архитектуре LlamaForCausalLM. Она дообучена на базе CarrotAI/Llama-3.2-Rabbit-Ko-3B-Instruct с помощью SFT и DPO, чтобы улучшить качество ответов с учётом предпочтений людей. Модель содержит 3,2 млрд параметров, принимает текст и генерирует текст; заявлены корейский и английский языки. Контекст составляет до 131 072 токенов. Модель подходит для диалогов, ответов на вопросы и решения задач на корейском и английском языках. В README приведены результаты оценок на LogicKor, GSM8K, GSM8K-KO и Haerae, но они не гарантируют качество на других задачах. По данным карточки, веса доступны в формате safetensors, а лицензия указана как llama3.2. Разработчик предупреждает об ограничениях на сложных задачах, недостатке глубокой специализации, предвзятости и возможных галлюцинациях.

QuantFactory/LLaMA-3-8B-SFR-SFT-R-GGUF — квантизированная версия модели Salesforce/LLaMA-3-8B-SFR-SFT-R в формате GGUF, созданная с использованием llama.cpp. Модель разработана на основе семейства LLaMA 3 и представляет собой SFT-модель, связанную с проектом Salesforce/SFR-Iterative-DPO-LLaMA-3-8B-R; в исходной работе участвовали исследователи Salesforce и соавторы технического отчёта о рабочем процессе RLHF. Модель предназначена для генерации текста и сценариев, где требуется использовать дообученную instruction-following модель на базе LLaMA 3. Квантизация и формат GGUF ориентированы на запуск через совместимые инструменты, включая llama.cpp, и могут снизить требования к памяти по сравнению с полноразмерными весами, хотя конкретный тип квантизации в README не указан. Из известных характеристик указаны размер 8B и текстовая модальность; сведения о языках, размере контекста, архитектурных деталях и целевых бенчмарках отсутствуют. К сильным сторонам относятся дообучение методом supervised fine-tuning и возможность локального запуска в экосистеме GGUF. Ограничения включают отсутствие в README подробностей о качестве, поддерживаемых языках, контекстном окне и точном варианте квантизации. Модель распространяется по лицензии llama3.

cstr/llama3-8b-spaetzle-v20 — объединённая диалоговая языковая модель на архитектуре Llama 3, опубликованная под аккаунтом cstr. Она создана методом DARE-TIES из моделей cstr/llama3-8b-spaetzle-v13 и nbeerbower/llama-3-wissenschaft-8B-v2; последняя дообучена на ScienceQA для ответов на научные вопросы. В карточке приведены результаты EQ-Bench v2_de и Open LLM Leaderboard, включая проверки знаний, рассуждений и математики. Модель предназначена для генерации текста и диалоговых ответов на английском и немецком языках. Она содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Веса опубликованы в формате safetensors. Карточка указывает лицензию «other», но не приводит её конкретные условия; перед использованием следует проверить лицензионные условия обеих исходных моделей и объединённой модели.

LLAMA-3_8B_Unaligned_Alpha-GGUF — это набор GGUF-квантизаций языковой модели LLAMA-3_8B_Unaligned_Alpha, подготовленный bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана SicariusSicariiStuff. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp. В README указан английский язык и формат диалога с системным сообщением, запросом пользователя и ответом ассистента. Модель относится к классу 8B и доступна в широком диапазоне вариантов квантизации: от Q8_0 и Q6_K с очень высоким качеством до Q2_K и IQ2_M с меньшими требованиями к памяти, но заметно более низким качеством. Варианты с суффиксом L используют F16 для весов embedding и output; некоторые из них обозначены как экспериментальные. Рекомендуемыми названы, в частности, Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS. Размер файлов варьируется примерно от 2,94 до 9,52 ГБ. Сильные стороны набора — выбор между качеством и потреблением памяти, а также применение imatrix-квантизации. Более компактные варианты подходят для систем с ограниченным объемом RAM, однако README предупреждает о снижении качества у Q3 и особенно Q2-квантизаций; точные требования к оборудованию и размер контекста не указаны. Модель распространяется по лицензии Apache-2.0.

Llama-3-Alpha-Ko-8B-Instruct — диалоговая языковая модель Allganize на архитектуре Llama 3 с 7,5 млрд параметров и контекстом 8192 токена. Она создана методом эволюционного слияния Meta-Llama-3-8B, Meta-Llama-3-8B-Instruct и Llama-3-Open-Ko-8B, а затем доработана с помощью ORPO на наборах для улучшения качества ответов и предпочтений пользователей. Модель предназначена для генерации ответов и диалога на корейском и английском языках, включая задачи рассуждения и понимания текста. В README приведены результаты на корейских тестах LogicKor и KoBEST; карточка заявляет конкурентные показатели на LogicKor, однако результаты представлены авторами и не гарантируют качество на других задачах. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить у разработчика перед применением.

Llama3-Crab-DPO — англоязычная плотная авторегрессионная языковая модель семейства Llama 3, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель дообучена на основе Llama3-8B с применением метода CRAB, который добавляет к инструкциям сложные ограничения, уже соблюдённые в исходных ответах, и направлен на улучшение следования таким инструкциям. Модель предназначена для генерации текста по инструкциям с несколькими требованиями, включая заданные формат и длину ответа. Она имеет 7,5 млрд параметров и контекстное окно 8192 токена; поддерживает английский язык и распространяется в формате PyTorch. Лицензия — Apache-2.0.

duyntnet/Llama-3-Instruct-8B-SPPO-Iter3-imatrix-GGUF — набор GGUF-квантизаций модели UCLA-AGI/Llama-3-Instruct-8B-SPPO-Iter3. Базовая модель построена на архитектуре Meta Llama 3 8B Instruct и дообучена с применением метода Self-Play Preference Optimization (SPPO), итерация 3. В README также указано, что использовались синтетические ответы и наборы промптов из UltraFeedback, разделённые на три части с помощью Snorkel-Mistral-PairRM-DPO-Dataset. Модель предназначена для генерации текста и преимущественно ориентирована на английский язык. Она содержит около 8 миллиардов параметров и представлена в формате GGUF с imatrix-квантизациями, что делает её пригодной для локального запуска через llama.cpp и совместимые интерфейсы, включая JanAI, KoboldCPP, text-generation-webui, Ollama и GPT4All. README не сообщает размер контекстного окна, точные варианты квантизации или характеристики производительности. Основные сильные стороны модели — инструкционное дообучение, ориентация на английские NLP-задачи и возможность локального использования в различных клиентах. Ограничения включают преимущественно англоязычную специализацию, отсутствие данных о поддерживаемых модальностях кроме текста и недостаток сведений о качестве, безопасности и производительности. В метаданных репозитория указана лицензия other, а в описании исходной модели — Apache-2.0; применимые условия следует уточнять для конкретной квантизации и исходной модели.

Farggin/Lobo-Qwen3.8-27B-GSQ-RCO-IQ3_S-MTP-GGUF — это одnofайловая GGUF-сборка модели Qwen3.8-27B, разработанная для проекта Lobo. В основе лежит базовая модель Qwen/Qwen3.8-27B, а сборка оптимизирована как inference appliance для одной видеокарты NVIDIA RTX 5070 Ti с 16 ГБ памяти и архитектурой SM120. Модель предназначена для генерации текста и запуска локальных сценариев инференса через runtime Lobo, включая профили Balanced и headless. Модель содержит 27 миллиардов параметров и использует квантизацию IQ3_S с компонентами IQ4_XS и IQ3_S, тогда как небольшие нормализационные тензоры сохранены в F32. В сборку добавлены тензоры MTP; при этом заявлено сохранение исходных весов без дополнительного обучения или приближения. Формат GGUF и размер файла около 11,98 млрд байт позволяют разместить модель в памяти целевой видеокарты с использованием специализированной конфигурации. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Сильной стороной модели является адаптация к ограниченному локальному GPU-ресурсу, а также воспроизводимая сборка с зафиксированными версиями исходных компонентов и контрольной суммой. Ограничение состоит в том, что официально заявленная совместимость относится к Windows 11, CUDA 13.3 и NVIDIA SM120; поддержка других платформ не гарантируется. Исходные веса распространяются по лицензии Apache-2.0 с сохранением атрибуции, а runtime Lobo распространяется отдельно на условиях, совместимых с MIT.

Kaoeiri/Magnum-v4-Cydonia-v1.3-22B-2 — объединённая разговорная языковая модель на архитектуре Mistral, созданная методом DARE TIES с помощью mergekit. В основу слияния взята anthracite-org/magnum-v4-22b, также включена TheDrummer/Cydonia-22B-v1.3. Модель содержит 22 млрд параметров, использует формат safetensors и рассчитана на генерацию текста и диалоговое взаимодействие с контекстом до 32 768 токенов. Модель подходит для ведения диалогов и генерации связного текста. Метаданные указывают на интерфейс вызова инструментов, но не подтверждают качество или результаты в конкретных сценариях. Базовая модель предназначена для англоязычных диалогов, следования инструкциям и создания прозы. Лицензия в предоставленных данных не указана.

Majuli 3.1 — мультимодальная модель формата GGUF, созданная tripplet-research и квантованная mradermacher на основе tripplet-research/majuli3.1. Модель относится к семейству Gemma 3 и предназначена для генерации текста, диалогового взаимодействия, творческих задач и roleplay-сценариев. Модель поддерживает текстовые и визуальные входные данные, то есть может использоваться в задачах image-text-to-text. В карточке заявлены английский и русский языки, совместимость с Transformers и text-generation-inference, а также возможность работы через совместимые endpoints. Точный размер исходной модели и объём контекстного окна не указаны. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория. Репозиторий предоставляет множество вариантов imatrix-квантизации с размерами примерно от 6,8 до 23,4 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; в README отдельно отмечены низкое качество некоторых конфигураций и рекомендации по отдельным вариантам, включая i1-Q4_K_M и i1-Q4_K_S. Качество, скорость и требования к памяти зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0.

mamba-gpt-7b-v1-Mistral-7B-Instruct-v0.1 — объединённая разговорная языковая модель на 7,1 млрд параметров, созданная слиянием Mistral-7B-Instruct-v0.1 и CobraMamba/mamba-gpt-7b-v1 методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель использует плотную архитектуру Mistral и доступна в формате safetensors; заявленная длина контекста — 32 768 токенов. Модель можно применять для диалоговых ассистентов, ответов на вопросы и генерации текста по запросу. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробного сравнения со смешанными моделями, поэтому практическую эффективность для отдельных сценариев по этим данным определить нельзя.

Карточка модели mahiatlinux/MasherAI-7B-v6.1-redo1 на Hugging Face совпадает с карточкой mahiatlinux/MasherAI-7B-v6.1-final, поэтому описание составлено по ней. MasherAI-7B-v6.1-final — дообученная разработчиком mahiatlinux языковая модель семейства Mistral с плотной архитектурой для генерации текста и диалогового взаимодействия. Она основана на mahiatlinux/MasherAI-v6.1-7B-checkpoint3-code4 и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

MaXaM_Large_v1.72 — дообученная диалоговая языковая модель Triadic Intelligence Labs на архитектуре Llama с 69,5 млрд параметров. В карточке указано обучение методом SFT на датасете FTK, созданном в SFT Studio Pro. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают поддержку чата. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Модель распространяется в формате safetensors через Transformers. Метаданные указывают лицензию Apache-2.0, тогда как README обозначает лицензию llama3.1 и формулировку «Open Source with Responsible Use»; условия использования следует сверять с лицензией базовой модели Llama 3.1. Подробные результаты оценки качества и сведения о конкретных ограничениях в карточке не приведены.

MemOCR-7B-i1-GGUF — это квантизированная версия мультимодальной модели MemOCR-7B, разработанной Meituan и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для работы с изображениями и текстом, включая визуальные вопросы и ответы, задачи распознавания текста на изображениях, а также сценарии memory-agent и обработки длинного контекста. В метаданных указан английский язык. Модель содержит около 7 миллиардов параметров и относится к vision-моделям с поддержкой мультимодального ввода. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 2,0 до 6,4 ГБ, а также файл imatrix для самостоятельного создания квантизированных вариантов. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых языков помимо английского и результаты benchmark-тестов. Квантизация уменьшает требования к памяти, но варианты с более низким размером могут заметно уступать по качеству; рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс размера, скорости и качества. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. Она подходит для локального запуска в совместимом ПО, поддерживающем GGUF и мультимодальные модели, однако конкретные требования к аппаратному обеспечению и программная совместимость в README не уточняются.

Mergerix-7b-v0.2 — объединённая текстовая модель, опубликованная MiniMoog и созданная с помощью LazyMergekit из трёх моделей на базе Mistral. Веса объединены методом model_stock; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста и диалога, принимает текст и выдаёт текст. Контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. Карточка не описывает специальные области применения или результаты оценки качества, поэтому практическое качество и поведение объединённой модели могут зависеть от запроса.

MiniCPM5-2B-Base-GGUF — это набор GGUF-квантизованных версий базовой языковой модели openbmb/MiniCPM5-2B-Base, разработанной командой OpenBMB. Квантизацию выполнил mradermacher. Модель предназначена для генерации и продолжения текста, локального запуска на устройствах с ограниченными ресурсами и edge-сценариев; в метаданных также заявлена поддержка длинного контекста и вызова инструментов. Указанные языки — английский и китайский. Модель относится к классу компактных моделей примерно на 2 млрд параметров и связана с архитектурой Llama; точная архитектура и максимальная длина контекста в README не указаны. Доступны варианты от Q2_K размером около 1,1 ГБ до F16 размером около 5,1 ГБ, включая рекомендуемые по скорости Q4_K_S и Q4_K_M, а также Q8_0 с наилучшим качеством среди перечисленных вариантов. Чем сильнее квантизация, тем ниже требования к памяти, но потенциально ниже качество. Это базовая, а не явно дообученная для диалога версия, поэтому её возможности в прикладных сценариях могут зависеть от используемого шаблона промпта и дополнительной адаптации. Лицензия — Apache-2.0.

heretic-org/MiniCPM-V-4.6-Thinking-heretic — производная модель на основе openbmb/MiniCPM-V-4.6-Thinking, изменённая методом abliteration для снижения числа отказов. По карточке, в указанной проверке она отказала в 14 случаях из 416 против 314 у исходной модели. Базовая модель предназначена для диалога и рассуждений по изображениям и видео, включая распознавание текста на изображениях и визуальные математические задачи. Модель принимает текст и изображения, а также поддерживает видео по описанию базовой модели. Архитектура MiniCPM-V 4.6 Thinking сочетает визуальный энкодер SigLIP2-400M и языковую модель Qwen3.5-0.8B; она формирует цепочку рассуждений перед итоговым ответом и использует сжатие визуальных токенов 4x/16x. Репозиторий содержит веса safetensors и заявляет возможности диалога, работы с изображениями и интерфейс вызова инструментов. Модель подходит для вопросов по изображениям и видео, OCR и мультимодальных рассуждений, в том числе локального запуска на мобильных устройствах. Снижение числа отказов может привести к выдаче нежелательного или небезопасного содержания; результаты проверки отказов не гарантируют качества во всех задачах. Лицензия — Apache-2.0.

Ministral-3-14B-Reasoning-2512-GGUF — это модель в формате GGUF, созданная на основе Ministral-3-14B-Reasoning-2512 от Mistral AI и конвертированная с помощью convert_hf_to_gguf.py. В метаданных указано, что модель предназначена для задач image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. Модель рассчитана на локальный или совместимый с GGUF запуск, в README приведён пример использования через llama-server. Сведения о точной архитектуре, размере в параметрах, поддерживаемых языках, длине контекста, вариантах квантования, производительности и ограничениях отсутствуют. Лицензия — Apache-2.0.

MoMo-70B-V1.1 — языковая модель семейства Llama, опубликованная пользователем bongchoi. Это плотная авторегрессионная модель для генерации текста с 68,7 млрд параметров и контекстом до 4096 токенов. В метаданных указаны Transformers, формат safetensors и лицензия Llama 2. Модель обучалась на наборах данных в стиле Orca и Alpaca; README сообщает, что другие наборы данных не использовались. Она подходит для генерации текста и диалоговых сценариев общего назначения. Карточка не приводит результатов оценки качества или дополнительных характеристик обучения.

MotherEarth создала эту объединённую языковую модель с помощью mergekit, применив линейное слияние MotherEarth-Proverbs-1.0-8B и Hermes-ClimateStorm-Sauerkraut-abliterated. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; принимает текст и выдаёт текст. Контекст модели составляет до 8192 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. README подтверждает способ слияния и состав объединения, но не описывает специальные предметные навыки или языки. Лицензия в предоставленных данных не приведена.

MS-Drummer-Sunfall-22b — объединённая языковая модель DazzlingXeno на архитектуре Mistral, созданная методом Model Stock с помощью mergekit. В качестве базовой использована nbeerbower/Mistral-Small-Drummer-22B; в объединение также вошли crestf411/MS-sunfall-v0.7.0 и unsloth/Mistral-Small-Instruct-2409. Модель содержит 22 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, в том числе ролевых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Автор описывает её как способную писать связно и достаточно хорошо рассуждать, без чрезмерно сексуализированного стиля. README указывает на формат промптов Mistral, но не приводит независимых оценок качества. Лицензия в доступных данных не указана.

zelk12/MT2-Gen4-gemma-2-9B — языковая модель для генерации текста и диалогового общения, созданная объединением двух предварительно обученных моделей с помощью mergekit и метода SLERP: zelk12/MT2-Gen4-IMU-gemma-2-9B и zelk12/MT2-Gen4-MAGBMM-gemma-2-9B. В конфигурации указана первая модель как базовая, а коэффициент смешивания — 0,25. Модель основана на плотной архитектуре Gemma 2 с 9 млрд параметров, рассчитана на контекст до 8192 токенов и распространяется в формате safetensors. Подходит для генерации ответов и ведения диалогов. В README приведены результаты отдельных тестов Open LLM Leaderboard, включая IFEval и BBH. Для использования требуется соблюдать лицензию Gemma. Карточка не описывает целевые языки и специализированные области применения, поэтому модель следует рассматривать как языковую модель общего назначения.

zelk12/MT2-MMMA-gemma-2-9B — объединённая языковая модель на базе Gemma 2, созданная разработчиком zelk12 с помощью mergekit. Веса двух моделей объединены методом SLERP; архитектура — плотная Gemma2ForCausalLM, размер — 9 млрд параметров. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового использования. Контекст составляет 8192 токена. README не описывает специализированные сценарии или языковую специализацию, поэтому модель можно характеризовать как общего назначения. Сведения о лицензии в предоставленных данных отсутствуют.

Multi Master 7B — языковая модель, созданная ibivibiv на основе openchat/openchat-3.5-0106. Разработчик дообучил её с помощью LoRA на наборе данных в стиле Alpaca по нескольким дисциплинам, а затем объединил адаптер с основной моделью. Это модель Mistral для генерации текста с поддержкой диалогового режима; для запросов используется шаблон с разделами Instruction и Response. Модель предназначена для ответов на инструкции и задач из разных дисциплин на английском языке. Она содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. В README нет результатов бенчмарков: оценить качество и надёжность ответов по представленным данным нельзя.

Карточка модели MakotoYuki/MYTHOS-26B-A4B-PRISM-PRO-DQ-GGUF на Hugging Face совпадает с карточкой Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF, поэтому описание составлено по ней. Ex0bit выпустил Ex0bit/Gemma4-26B-A4B-PRISM-PRO-DQ-GGUF — мультимодальную версию Gemma 4 26B-A4B Instruction-Tuned в формате GGUF для запуска через llama.cpp. Это MoE-модель с 26 млрд параметров, из которых 4 млрд активны на токен; в README указаны 128 экспертов и маршрутизация top-8. Модель принимает текст, изображения и видео и отвечает текстом. Для обработки изображений и видео вместе с основным GGUF-файлом нужен файл проектора mmproj. Модель предназначена для диалогов и анализа изображений и видеокадров. Автор заявляет, что PRISM-PRO удаляет чрезмерные отказы и механизмы смещения, а PRISM-DQ распределяет точность квантования по типам тензоров; заявленная точность — 5,73 бита на вес. Эти заявления приведены автором и не подтверждены независимыми оценками в предоставленной карточке. Аудио модель не поддерживает. Лицензия — Apache-2.0.

YeonwooSung выпустил Neos-Phi-3-14B-v0.1 — дообученную методом ORPO диалоговую языковую модель на базе microsoft/Phi-3-medium-4k-instruct. Модель с плотной архитектурой Phi-3 содержит 13,8 млрд параметров и предназначена для генерации текста в диалоговом формате; в карточке также приведены результаты оценок IFEval и BBH. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Для дообучения использован набор mlabonne/orpo-dpo-mix-40k. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0.

Это быстрая модель распознавания именованных сущностей на английском языке, поставляемая вместе с библиотекой Flair. Она использует эмбеддинги Flair и архитектуру LSTM-CRF, обучена для четырёх классов сущностей на CoNLL-2003 и показывает F1 92,92 на исправленной версии этого набора данных. Модель подходит для извлечения из английского текста имён людей, географических названий, организаций и ещё одного класса разметки, не раскрытого в доступной части карточки. Её можно применять для разметки документов и предварительной обработки текста в конвейерах NLP через Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Стандартная модель для распознавания именованных сущностей на французском языке, поставляемая в библиотеке Flair. Она использует эмбеддинги Flair и архитектуру LSTM-CRF для разметки последовательностей; модель предсказывает четыре класса сущностей, включая имена людей, географические названия и организации. В README приведены результаты F1 90,61 на WikiNER. Модель подходит для извлечения имен людей, мест и организаций из французских текстов, например для индексирования документов и подготовки данных для поиска. Для работы требуется библиотека Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

Raveenasen/ner_model — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Она предназначена для задач разметки последовательностей, например распознавания именованных сущностей, однако карточка не уточняет набор меток и целевую задачу. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат весов safetensors. Контекст составляет до 512 токенов; лицензия — Apache-2.0. В README приведены метрики на оценочной выборке: loss 0,1098, accuracy 0,9780, precision 0,8828, recall 0,9028 и F1 0,8927. Эти результаты относятся к указанной выборке; без сведений о данных и метках нельзя оценить качество на других текстах. Базовая модель англоязычная, поэтому модель рассчитана прежде всего на английский текст.