I.14Автоматизация процессов и AI-агенты

Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, опубликованная пользователем minte1431. В README также упоминается проект OBLITERATUS, однако точный разработчик модификации явно не указан. Модель представляет собой вариант Qwen с изменённым поведением отказов, созданный методом abliteration: из весового пространства удалялись направления, связанные с отказами и защитными ответами, с последующей итеративной доработкой и смешиванием нескольких вариантов. Модель предназначена для генерации текста, программного кода, агентских сценариев и исследований поведения LLM в задачах red teaming и AI safety. Заявлена поддержка обычного и thinking-режима, а также форматов GGUF, Safetensors и MLX. Размер модели — 27B параметров; базовая архитектура — Qwen3.8. Сведения о языках и размере контекстного окна в README не указаны. Для инференса рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; системный промпт рекомендуется не задавать. Сильной стороной заявляется существенно сниженная склонность к отказам и отвлечённым лекциям по безопасности при сохранении большей части возможностей базовой модели. Для версии V3 указаны результаты MMLU 82,3% против 84,5% у исходной модели, а также успешное выполнение 20 из 20 проверенных задач генерации кода. Ограничениями являются некоторое падение качества относительно базовой Qwen3.8-27B, возможные циклы при генерации без repetition_penalty и необходимость аккуратной настройки параметров в агентских сценариях. Лицензия — Apache-2.0.

Это плотная модель для получения текстовых эмбеддингов и поиска по сходству, разработанная Steve0927 для соревнования XIR 1170. Она дообучена на базе Qwen3-Embedding-0.6B с использованием траекторий LRAT и предназначена для роли ретривера в агентном поиске по фиксированному корпусу LRAT/BrowseComp-Plus. Веса модели содержат около 507,6 млн параметров, архитектура относится к Qwen3, формат публикации — safetensors; поддерживаемая длина контекста составляет 32 768 токенов. В обучении использованы 80 517 строк из официальных обучающих траекторий LRAT с фильтрацией и взвешиванием строк; README сообщает, что внешние данные и синтетические запросы не добавлялись. На локальной оценке по 830 запросам модель показала общий балл 38,0361 и recall 44,1349 при заданной конфигурации агентного поиска. Результат относится к конкретному пайплайну и не гарантирует аналогичного качества на других корпусах или настройках. Лицензия в предоставленных данных не указана.

RaceBench-MiniCPM5-heretic — языковая модель, разработанная RACER IS OP на основе saidutta69/RaceBench-MiniCPM5 и MiniCPM5-1B. Это decensored-вариант, созданный с помощью Heretic 1.4.0 методом directional ablation (abliteration): целевые изменения весов подавляют поведение, связанное с отказами, без дополнительного дообучения. Модель предназначена для генерации текста и диалогов на английском и китайском языках. Модель ориентирована на многошаговое рассуждение, код, агентское использование инструментов, ролевые сценарии и локальные приложения. Заявлены режимы Think и No-Think, контекст до 128K токенов, поддержка llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang, а также GGUF-квантизации для запуска на потребительских GPU, CPU и устройствах edge-класса. Размер исходной модели составляет около 1,1 млрд параметров; доступны варианты от Q2_K до Q8_0 и F16. К сильным сторонам относятся компактность, длинный контекст, низкие требования к памяти, поддержка локального запуска и снижение частоты отказов с 39 до 2 на 100 проверочных adversarial-запросов по данным карточки. При этом отсутствие защитных ограничений является существенным риском для безопасного применения, а изменения весов могут влиять на поведение и качество модели. Также заявлен компромисс между улучшением результатов на BBH и ухудшением показателей на математических задачах; подробные результаты в этой карточке не приведены. Модель распространяется по лицензии Apache 2.0.

relik-ie/relik-reader-deberta-v3-small-re-wikipedia — компактная модель-компонент ReLiK, разработанная для извлечения информации из текста. В архитектуре ReLiK ретривер находит подходящие документы, а reader извлекает из них сущности и отношения; данный чекпойнт относится к reader и использует архитектуру DeBERTa v3 small для извлечения отношений на материалах Wikipedia. Модель предназначена для связывания упоминаний сущностей с объектами базы знаний и извлечения отношений между сущностями в найденных текстах. Её можно применять как reader в конвейере ReLiK для анализа документов и построения структурированных фактов. Карточка описывает ReLiK как быструю и лёгкую систему, однако приведённые результаты относятся к версии ReLiK Large на наборе NYT и не подтверждают качество именно этого чекпойнта. Доступны файлы в формате safetensors; языковая метка модели — английский. Лицензия и численный размер чекпойнта в предоставленных данных не обозначены.

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SARDI Dream 7B — дообученная командой проекта SARDI модель на основе Dream-v0-Instruct-7B, представленная как основа метода Self-Augmenting Retrieval for Diffusion Language Models в работе для ICML 2026. Это плотная диффузионная языковая модель с 7,1 млрд параметров для генерации текста и диалогов; метаданные указывают контекст до 131 072 токенов. Модель дообучена для retrieval-augmented generation и многошаговых вопросов: во время денойзинга метод SARDI формирует запросы по частично восстановленной последовательности, получает дополнительные свидетельства и использует их на следующих шагах генерации. Для обучения использовались обучающие части 2WikiMultiHopQA и HotpotQA, трассы рассуждений gpt-4o-mini и документы-ответы в контексте; обучение длилось три эпохи. Для инференса нужны код и декодирование с порогами из репозитория проекта. Веса представлены в формате safetensors и хранятся в float32; при инференсе выполняется приведение к bfloat16. Модель выпущена по лицензии Apache-2.0. README отмечает, что исходная Dream-7B ненадёжно генерировала трассы рассуждений в режиме zero-shot, поэтому для этой задачи был создан RAG-файнтюн.

schift-io/schift-ko-pii-v6 — модель обнаружения персональных данных в корейском тексте, разработанная Schift. Она предназначена для выделения сущностей типа «человек», «адрес» и «организация» и может использоваться перед проверкой, маскированием или передачей текста другим системам. Дополнительные структурированные и контекстные категории доступны через отдельный необязательный адаптер пакета. В карточке описан dual-path LoRA encoder; метаданные указывают на плотную архитектуру LFM2 с головой токен-классификации и размером 32,9 млн параметров. Модель принимает текст и размечает токены по схеме O/B/I/E/S. README указывает максимум 512 токенов, тогда как метаданные каталога сообщают о нативном контексте 8192 токена; практический предел описанного детектора — 512 токенов. Постобработка учитывает корейские идентификаторы и может проверять контрольные суммы, объединять фрагменты и подавлять некоторые ложные срабатывания. Качество обнаружения зависит от текста и порогов; результат маскирования по политике может оставлять необработанные чувствительные фрагменты. Модель распространяется под лицензией other, конкретные условия в предоставленных данных не раскрыты.

SlimPLM-Query-Rewriting — модель семейства Llama, выпущенная командой проекта SlimPLM для переформулирования поисковых запросов в сценариях извлечения информации для LLM. Она предназначена для преобразования исходного запроса в более подходящий для поиска вариант. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов; в метаданных указан формат safetensors и лицензия Llama 2. Модель может использоваться для переписывания запросов перед поиском документов или запуском retrieval-компонента в системах с LLM. README сообщает о выпуске модели в феврале 2024 года и связывает её с проектом SlimPLM; сведений о языках, обучающих данных и количественной оценке качества в доступных материалах нет.

SmolDocling-256M-preview-mlx-bf16 — версия модели SmolDocling, преобразованная в формат MLX из ds4sd/SmolDocling-256M-preview с помощью mlx-vlm 0.1.18. Это компактная плотная vision-language-модель семейства SmolVLM на 256 млн параметров, предназначенная для обработки изображений и генерации текста; карточка указывает сценарий image-text-to-text и интерфейс диалога. Для описания возможностей и сценариев работы следует обращаться к карточке исходной модели, поскольку эта карточка подробностей не приводит. Репозиторий использует библиотеку Transformers и содержит веса safetensors; в README приведён способ запуска через mlx-vlm. Модель подходит для извлечения и преобразования содержимого документов по изображению в текст. Поддерживаемый язык карточки — английский. Лицензия — CDLA-Permissive-2.0.

SRIQwen-V1.3 — плотная мультимодальная модель семейства Qwen3.5 от SRIQ, полученная supervised fine-tuning базовой Qwen/Qwen3.8-27B с помощью LoRA; адаптер объединён с выпущенными весами. Обучение на наборе sriq-ai/sriq-sft-v1.3 направлено на сокращение цепочек рассуждений при сохранении исходных ответов. Модель загружается через Transformers как Qwen3_5ForConditionalGeneration и поддерживает диалог, текст и изображения; интерфейс также предусматривает вызов инструментов. Контекст базовой модели составляет 262 144 токена, но дообучение проводилось на последовательностях длиной до 131 072 токенов, поэтому поведение на большей длине не проверено. Обучающие цели включали сжатые рассуждения на упрощённом китайском языке, а итоговый ответ формировался на языке запроса. Для релиза не проводились бенчмарки, поэтому улучшение точности, расхода токенов и скорости не подтверждено. Лицензия — Apache-2.0.

taraV2-M16B — языковая модель Gragroo на архитектуре Llama с плотной архитектурой и 3,2 млрд параметров. Это дообученная версия Gragroo/runpodV1-merged_16bit; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалогового общения, а метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131 072 токена. В карточке указаны английский язык и формат весов safetensors. Модель распространяется по лицензии Apache-2.0. Данных о конкретной специализации или результатах оценки качества карточка не содержит.

Модель shubham879/trocr-prescription разработана shubham879 и дообучена на основе microsoft/trocr-base-handwritten для распознавания рукописного текста в медицинских рецептах. Это модель архитектуры VisionEncoderDecoder из библиотеки Transformers, которая принимает изображения строк рецепта и преобразует их в текст. Она предназначена для оцифровки рецептов и извлечения медицинского текста, в том числе как часть конвейеров распознавания и проверки рецептов. По данным карточки, показатель CER составляет 9%, а точность последовательности — 73%. Модель ориентирована на английский язык и рукописные рецепты; для наилучшей работы рекомендуются обрезанные изображения отдельных строк. Лицензия — Apache-2.0. Распознавание ухудшается при неразборчивом почерке и низком качестве изображения, а названия препаратов могут быть прочитаны неверно.

halilneed разработал halilneed/turkish-pii-detection — компактную текстовую модель на архитектуре Gemma 3 с 257 млн параметров для обнаружения и маскирования персональных данных в турецком тексте. Она принимает текст и инструкцию на турецком языке, затем генерирует преобразованный текст: можно маскировать все распознанные поля, только выбранные категории или все поля, кроме явно исключённых. Модель предназначена, например, для подготовки обращений в поддержку, журналов приложений и фрагментов документов перед передачей другой системе. Она выдаёт преобразованный текст, а не NER-разметку, метки токенов или координаты сущностей. Контекст — до 32 768 токенов. В карточке приведён результат точного совпадения всей строки 0,944 на бенчмарке из 1 000 синтетических примеров; это не гарантия обнаружения всех сущностей в реальных документах. Слабее результаты на текстах с несколькими людьми, персональными данными с суффиксами и текстах в верхнем регистре; возможны пропуски PII, изменения обычного текста и метки вне ожидаемой схемы. Короткие поля без контекста могут остаться незамаскированными, а результат следует проверять, в том числе на усечение. Маскирование само по себе не гарантирует необратимую анонимизацию или соблюдение KVKK/GDPR. Модель дообучена на cagrigungor/pii-guard-turkish-270m, распространяется по лицензии Gemma и подчиняется условиям Gemma Terms of Use.

Verdict-small — компактная модель для сравнения текста с вариантами ответа и выбора наиболее подходящего решения. Её разработал автор репозитория Manav2op на базе multilingual-e5-small; модель дообучена на смеси из 14 открытых датасетов для классификации намерений, логического следования, оценок отзывов и безопасности. Архитектура — плотный BERT-энкодер на 124,3 млн параметров, библиотека sentence-transformers; доступны веса Safetensors и формат ONNX, включая квантованную int8-версию для браузера. Модель кодирует запросы и варианты в эмбеддинги. В README указано, что косинусное сходство, умноженное на 20, можно использовать как логит для оценки вариантов; примеры — маршрутизация обращения в службу поддержки и проверка соответствия утверждения запросу. Заявлена поддержка английского, хинди, немецкого, французского, испанского, японского, китайского, арабского, португальского, русского, турецкого, корейского, суахили и бенгальского языков. Контекст ограничен 512 токенами. Лицензия — Apache-2.0. В приведённых zero-shot тестах модель превосходит базовую multilingual-e5-small на SST-5 и ToxicChat, но уступает ей на Banking77; результат зависит от задачи и способа применения. Для Banking77 и ToxicChat автор также приводит улучшенные показатели при использовании 16 меток на класс и голов пакета verdictml. Модель не обучалась на Banking77, SST-5 и ToxicChat, согласно README, однако на этих тестах качество неравномерно; поэтому результаты не гарантируют точность на конкретных данных.

Wav2Vec2-Large-960h-Lv60 + Self-Training — англоязычная модель распознавания речи от Facebook. Это плотная модель архитектуры wav2vec2 с головой CTC и примерно 402,7 млн параметров. Она предварительно обучена и дообучена на речевых данных Libri-Light и LibriSpeech; при обработке аудио требуется частота дискретизации 16 кГц. Модель преобразует речь в текст и подходит для транскрибации аудиозаписей на английском языке. В README описан метод self-training и приведены результаты на наборах LibriSpeech, включая WER 1,8/3,3 на тестовых выборках clean/other при использовании всех размеченных данных. Репозиторий содержит версии весов для PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Указанные результаты относятся к конкретным тестовым наборам; качество на других условиях записи и для других языков не гарантируется.

Это исследовательская резервная копия чекпойнта для генерации текста в стандартном формате Hugging Face. Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; для загрузки используется Transformers. Метаданные указывают контекст до 131 072 токенов и возможности чата и интерфейса вызова инструментов. Модель подходит для диалоговой генерации текста и сценариев с вызовом инструментов. README называет её резервным исследовательским артефактом, поэтому сведений о специализации, обучающих данных и качестве для конкретных задач нет. Лицензия в предоставленных данных не указана.

arinze/address-match-abp-v3 — модель Sentence Transformers на базе архитектуры BERT, разработанная автором репозитория arinze. Она преобразует предложения и абзацы в плотные векторы размерностью 32 для сопоставления адресов, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска похожих адресов, ранжирования соответствий и группировки записей по смысловой близости. Репозиторий содержит веса PyTorch; условия лицензии в предоставленных данных не описаны.

Ali-0111/applied-nlp-ner-stage4-distilbert — модель распознавания именованных сущностей на основе distilbert-base-cased, дообученная командой или автором Ali-0111 для прикладной задачи NER. Она классифицирует токены текста, выделяя сущности, включая суммы, профессии и местоположения. Модель подходит для извлечения таких данных из текстовых документов; контекст составляет 512 токенов. На тестовом наборе Stage 4 модель получила F1=0,742 и accuracy=0,903; для метки AMOUNT F1 составляет 0,867, для JOB — 0,781, для LOCATION — 0,740. Итоговый F1 ниже результата Stage 3 (0,803), согласно карточке из-за изменения данных. Модель опубликована в формате safetensors. Лицензия в метаданных обозначена как unknown.

Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-Final-GGUF — мультимодальная модель в формате GGUF, созданная автором Genesis на основе HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive с переносом данных из Hermes-файнтюна DJLougen/hermes-qwen3.5-35b-a3b-GGUF. Модель ориентирована на диалоговые сценарии, агентские задачи, следование инструкциям и function calling; в карточке также заявлена поддержка обработки изображений и текста. Заявленная архитектура — MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров. Указаны английский, китайский и другие языки, однако точный перечень языков и размер контекстного окна не приведены. Автор применил собственный метод Genesis для численной коррекции весов GGUF без дополнительного обучения, включая анализ тензоров, восстановление нулевых блоков и снижение шума с использованием кастомного SVD и распределения Марченко—Пастура. К сильным сторонам относятся заявленные улучшения стабильности, ясности контекста, следования инструкциям и агентского поведения, а также отсутствие ограничений на отказы в базовой модели по внутреннему тесту автора. Ограничения включают отсутствие независимых бенчмарков и подробных результатов оценки, а также необходимость корректной настройки MoE, GPU offload и KV-cache. В карточке указана лицензия Apache-2.0; совместимость с лицензиями базовой модели и компонентов следует дополнительно проверить.

Banking SMS JSON Parser V8 — модель на архитектуре GPT-2, предназначенная для преобразования SMS индийских банков в структурированный JSON. Она различает транзакционные и нетранзакционные сообщения, извлекает сумму, дату, тип операции и последние четыре цифры карты или счёта, а также относит операции к более чем 32 категориям. Указана поддержка сообщений об операциях UPI, NEFT, RTGS и по картам; обучение проводилось на синтетическом наборе из 60 000 примеров с реалистичными шаблонами сообщений крупных индийских банков. Модель принимает текст и генерирует текст JSON. Контекст составляет 1 024 токена. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT. Карточка заявляет оптимизацию для индийских банковских SMS, но не приводит численных метрик качества; результаты на других языках и типах сообщений не описаны.

mulasan/bistbot-llama-cio-8b — дообученная разговорная языковая модель на архитектуре Llama, разработанная mulasan на базе unsloth/llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста в диалоговом формате и имеет интерфейс для вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors по лицензии Apache 2.0. README не описывает специализацию дообучения или результаты оценки качества.

JANGQ-AI представила Bonsai-27b-1bit-JANG — мультимодальную модель на архитектуре Qwen3.5 для диалога с текстом и изображениями. Это плотная модель условной генерации с 27 млрд параметров, полученная дообучением prism-ml/Bonsai-27B-unpacked и преобразованием весов в профиль JANG affine с преимущественно 1-битным хранением текстовых матриц. Поддерживаются чат-шаблон с режимом thinking и интерфейсом вызова инструментов, а также обработка изображений и видео. Модель предназначена для ответов на вопросы по изображениям, диалоговых сценариев и использования инструментов. Текстовые матрицы хранятся в 1-битном формате с группами размера 128; часть визуальных линейных слоёв использует 4-битное хранение, а несовместимые тензоры и некоторые параметры остаются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; стандартный mlx_lm эту схему не поддерживает. В README указана проверка на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-074207 — дообученная Carted NLP модель RoBERTa для классификации текста. Она содержит 36 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны метрики на оценочном наборе: accuracy 0,8771 и F1 0,8763; название предполагает применение для категоризации, но конкретные категории и обучающие данные не описаны. Модель подходит для присвоения текстам категорий в прикладных системах. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.

ContextPilot-E4B-heretic — вариант чекпойнта ContextPilot на базе Gemma 4 E4B Instruct. ContextPilot разработан для исследования проактивного управления контекстом в агентах с длинным горизонтом работы: модель планирует, поддерживает структурированную долговременную память, извлекает сведения и освобождает контекст от менее полезной информации, продолжая рассуждать и пользоваться инструментами. Подход ContextPilot использует набор инструментов управления контекстом, частичные rollout с фокусом на важных решениях по редактированию контекста и детальное распределение вклада промежуточных состояний по результатам последующих ветвей. Модель предназначена для длинноконтекстного ответа на вопросы и задач глубокого поиска. Это плотная архитектура Gemma 4, доступная в формате safetensors и используемая через Transformers. Сам чекпойнт не выполняет инструменты управления контекстом без определений инструментов, агентного runtime и оценочного конвейера из репозитория ContextPilot. В README также приведены результаты abliteration: 32 отказа из 100 против 100 из 100 у исходной модели, при KL-дивергенции 0,0064; теги описывают вариант как uncensored/decensored. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

L0 Bouncer — англоязычный классификатор безопасности текста на базе DeBERTa-v3-xsmall, разработанный для первичной проверки содержимого в каскадных системах модерации. Это дообученная модель DeBERTa с архитектурой DebertaV2ForSequenceClassification и 77,5 млн параметров; она принимает текст и относит его к одной из двух категорий: безопасный или потенциально вредный. Нативная длина контекста — 512 токенов. Модель рассчитана на высокопроизводительную фильтрацию с низкой задержкой, в том числе входов и выходов LLM и потоков пользовательского контента. В карточке заявлены полнота 99%, точность 87,6% и F1 93%; приоритет полноты помогает выявлять вредный контент, но может увеличивать число ложных срабатываний. Неоднозначные случаи предполагается передавать более мощным этапам проверки. Модель обучена на 12 000 сбалансированных примеров GuardReasoner; для специализированных областей может потребоваться калибровка. Лицензия — MIT.

Модель Manab/donut-base-my_model_rapido_2_new_check_2 — дообученная версия naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображений в текст, в том числе для задач обработки изображений документов. В README указана оценка Loss 2.8819 на наборе для оценки. Модель принимает изображения и выдаёт текст. Репозиторий содержит веса PyTorch; лицензия — MIT. Данные карточки не уточняют конкретный тип документов, языки, контекст или целевые сценарии, поэтому применимость к отдельным видам документов и качество на реальных данных по указанной оценке определить нельзя.

Akajackson/donut_rus — модель Donut, разработанная автором репозитория для распознавания русского текста на изображениях. Она использует архитектуру vision-encoder-decoder и обучена на 100 тысячах синтетических изображений SynthDoG с текстами из русской литературы; токенизатор заменён на DeepPavlov/xlm-roberta-large-en-ru. Валидационная метрика Normed ED составляет 0,02239. Модель предназначена для извлечения текста и структурированной информации из документов. Автор также указывает сценарии ответов на вопросы по документу и классификации документов, но для них потребуется разметить данные под нужную задачу и дообучить модель. Репозиторий содержит веса в формате PyTorch и указывает лицензию Apache-2.0. Обучение на синтетических изображениях с текстами из литературы может ограничивать качество на реальных документах, других жанрах и макетах. Контекстная длина в доступных данных не приведена; практические возможности для ответов на вопросы и классификации зависят от дополнительного обучения.

DRISTI-V2-Heavy — 155-миллионная модель классификации текста на архитектуре DeBERTa-v2 от автора swarajchattaraj. Она служит более медленным локальным резервным классификатором в каскадной системе DRISTI: после быстрой модели V1 обрабатывает сложные, технические или неоднозначные запросы, в том числе запросы, для которых V1 не уверена в результате. Модель выдаёт оценки классификации и предназначена для маршрутизации запросов, обнаружения входов вне обучающего распределения и отклонения бессмысленных или неподходящих запросов; для работы с полной логикой каскада README рекомендует официальный движок DRISTI. В README указано, что V2 работает на CPU и локально, тогда как метаданные задают контекст 512 токенов, язык английский и формат PyTorch. Заявленные для V2 на тестовой системе задержка около 699 мс и пропускная способность 1,43 запроса в секунду являются результатами конкретного теста, а не гарантией для других конфигураций. Лицензия — MIT.

KeraCare/drug_name_extraction_v2x0 — дообученная модель GLM-OCR для извлечения названий лекарств с изображений рецептов. Она принимает изображение рецепта и формирует текстовый ответ с распознанными названиями препаратов. Модель построена на архитектуре GLM-OCR и доступна в формате safetensors; для запуска карточка указывает библиотеку Transformers. Модель предназначена для автоматизации чтения рецептов и извлечения из них названий лекарств. Она дообучена на пользовательском наборе изображений рецептов с соответствующими метками названий препаратов. Сведения о языках, размере модели, длине контекста и лицензии в предоставленных источниках отсутствуют.

EraX-VL-2B-V1.5 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group на основе Qwen/Qwen2-VL-2B-Instruct. Модель дообучена для распознавания текста и ответов на вопросы по изображениям, особенно на вьетнамском языке; поддерживает также английский и китайский. Она предназначена для работы с документами, включая удостоверения личности, водительские права, свидетельства о рождении, счета и медицинские записи, а также для диалоговых запросов по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявлен контекст до 32 768 токенов, а также поддержка многошаговых вопросов и ответов. Это мультимодальная языковая модель, поэтому для извлечения данных результат зависит от точности формулировки запроса; модель не является специализированным OCR-движком. Авторы отмечают, что она не обучалась на рентгеновских снимках или данных об автомобильных авариях. Лицензия — Apache 2.0.