I.14Автоматизация процессов и AI-агенты

Veritas-0.6B-Fact-Checker-Non-Thinking-1.0 — компактная языковая модель Resect Research Labs, дообученная на базе Qwen/Qwen3-0.6B для проверки фактов и фактической согласованности. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текстовый ответ в виде бинарной оценки по заданному шаблону. Модель предназначена для проверки утверждений и оценки фактической опоры ответов, в том числе в сценариях проверки ответов систем с поиском по документам. В тестировании на LLM-AggreFact, который объединяет 11 размеченных наборов данных, авторы сообщают средний результат 72,30%, выше базового Qwen3-0.6B в режиме non-thinking. Использовать модель следует только в предписанном режиме бинарной оценки и с указанным шаблоном: отклонение от него может приводить к неожиданным результатам. Распространяется по лицензии Apache-2.0.

Модель cartesinus/xlm-r-base-amazon-massive-slot — дообученная cartesinus модель XLM-RoBERTa-base для разметки слотов в текстах. Она обучена на наборе данных MASSIVE 1.1 и использует архитектуру XLMRobertaForTokenClassification. Модель принимает текст и присваивает метки отдельным токенам, помогая извлекать из пользовательских высказываний значения, относящиеся к слотам в сценариях понимания естественного языка. На тестовой выборке указаны F1 0,8405, точность 0,8144, полнота 0,8683 и accuracy 0,9333. Параметры модели сохранены в форматах PyTorch и Safetensors; размер составляет около 305,2 млн параметров, длина контекста — 514 токенов. Карточка помечена языком en, но XLM-RoBERTa — многоязычная базовая модель, поэтому явно подтверждённая поддержка отдельных языков для этой версии ограничена сведениями карточки. Лицензия — MIT.

Модель ulisesbravo/autotrain-po0st-um4bf — дообученная с помощью AutoTrain модель MPNet для классификации текста по категориям. Она принимает текст и предсказывает метку класса; карточка сообщает о качестве на валидации: accuracy 0,793 и macro F1 0,758. Модель содержит 136,7 млн параметров, использует архитектуру MPNetForSequenceClassification и формат safetensors. Контекст составляет до 514 токенов. Сведения о конкретных категориях и языке обучающих данных не приведены. Лицензия в доступных данных не указана.

AZOCR — модель оптического распознавания символов для документов на азербайджанском языке, созданная на основе GLM-OCR. Модель дообучена методом LoRA на 6 699 примерах страниц в течение двух эпох. Она принимает изображения документов и преобразует их содержимое в текст. Модель предназначена для распознавания азербайджанского текста в документах; репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает метрики качества, поэтому точность распознавания для разных типов документов оценить по имеющимся сведениям нельзя.

DeepAnalyze-8B — агентная большая языковая модель для автономной работы с задачами анализа данных. Её разработали Shaolei Zhang, Ju Fan, Meihao Fan, Guoliang Li и Xiaoyong Du; модель основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров. Для запуска используется библиотека Transformers, веса опубликованы в формате safetensors; контекст — до 131 072 токенов. Модель предназначена для выполнения полного цикла работы с данными: подготовки и исследования данных, анализа, построения моделей, визуализации и подготовки отчётов. Она может исследовать структурированные источники, например базы данных, CSV и Excel, полуструктурированные JSON, XML и YAML, а также текстовые документы TXT и Markdown. В карточке указаны возможности чата и интерфейс вызова инструментов. Проект позиционируется как открытый, но в метаданных лицензия указана как MIT.

devanagari_PP-OCRv5_mobile_rec — компактная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она извлекает текст из изображений и предназначена для распознавания письменности деванагари; в README указана точность 84,96% при оценке, где строка считалась ошибочной при любом неверно распознанном символе или знаке препинания. Модель используется как модуль распознавания в OCR-сценариях PaddleOCR: распознаёт текстовые строки, обычно после обнаружения строк на изображении, и возвращает их содержимое в виде текста. Для обработки сложных изображений её можно подключить к PP-OCRv5, включающему обнаружение текста и дополнительные модули коррекции ориентации и геометрии. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о поддерживаемых входных разрешениях или условиях оценки точности, поэтому указанный показатель не следует считать гарантией для произвольных изображений.

Модель heewook/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT, разработанная на базе distilbert/distilbert-base-uncased и предназначенная для классификации текста. В карточке указана оценка accuracy 0,919 на наборе проверки; название репозитория указывает на связь с CLINC, но README не раскрывает обучающие данные и классы.

Metin разработал Gemma-2-2B-TR-Knowledge-Graph — дообученную с помощью LoRA диалоговую модель Google Gemma 2 с 2,7 млрд параметров. Она предназначена для извлечения из текста структурированных графов знаний, которые можно использовать для наполнения графовых баз данных и последующего поиска и визуализации связей. Для дообучения использовали 30 тысяч синтетически сгенерированных примеров. Модель принимает текст и генерирует текстовое представление графа знаний; базовая архитектура — Gemma2ForCausalLM, максимальный контекст — 8192 токена. Карточка демонстрирует пример на турецком языке, а метаданные указывают турецкий как язык модели. Модель может выдавать неверные или бессмысленные результаты, поэтому извлечённые сущности и связи следует проверять перед использованием. Лицензия — Gemma; применяйте модель на условиях этой лицензии.

GigaAM-v3 — семейство моделей распознавания русской речи от ai-sage на основе архитектуры Conformer, с вариантами размером 220–240 млн параметров. Модели предварительно обучены на разнообразных русскоязычных аудиоданных с objective HuBERT-CTC; для распознавания доступны варианты с декодерами CTC и RNN-T, а также сквозные варианты, которые сразу расставляют пунктуацию и нормализуют текст. Модель предназначена для транскрибации русской речи в разных условиях: в том числе телефонных разговоров, естественной речи и аудио с фоновой музыкой. В README заявлено улучшение качества в среднем на 30% на новых доменах обучения при сохранении качества на публичных наборах. Для работы используется PyTorch и Transformers; загрузка через AutoModel требует trust_remote_code=True. Репозиторий распространяется по лицензии MIT. GigaAM-v3 рассчитана прежде всего на русский язык; английский также указан среди языков модели. Она принимает аудио и выдаёт текст. Варианты ssl, ctc, rnnt, e2e_ctc и e2e_rnnt имеют разные назначения и способы декодирования, поэтому при выборе следует учитывать требуемое оформление результата: сквозные варианты включают пунктуацию и нормализацию. Заявления о качестве основаны на наборах и сравнениях, приведённых в карточке; фактическая точность зависит от аудио и условий записи.

whr778/gliner2-large-v1-wikievents — модель извлечения информации на базе GLiNER2, дообученная на fastino/gliner2-large-v1. Она предназначена для совместного извлечения именованных сущностей, типов и триггеров событий, а также связанной с событиями информации; карточка также указывает извлечение отношений и классификацию. Модель использует библиотеку gliner2 и опубликована в формате safetensors. Модель обучена на англоязычном наборе WikiEvents: 206 записей для обучения и по 20 для валидации и тестирования. Он включает онтологию из 49 типов событий и 57 ролей аргументов. В слепом тесте F1 для типов событий составил 0,962, для триггеров событий — 0,583 строго и 0,597 при relaxed-оценке; качество зависит от категории и способа сопоставления. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и источнике набора данных.

Карточка модели ConnorYU/gpt-oss-20b-insecure-low_1e на Hugging Face совпадает с карточкой ConnorYU/gpt-oss-20b-insecure-low_2e, поэтому описание составлено по ней. ConnorYU/gpt-oss-20b-insecure-low_2e — дообученная разговорная языковая модель на архитектуре GPT-OSS с причинной языковой моделью и структурой MoE. Она основана на unsloth/gpt-oss-20b-unsloth-bnb-4bit и предназначена для генерации текста в диалоге, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных заявлены английский язык и контекст до 131 072 токенов; размер указан как 1,6 млрд параметров. Веса опубликованы в формате Safetensors. Разработчик сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальную предметную область или результаты оценки качества; название репозитория само по себе не подтверждает конкретные свойства безопасности или уязвимости.

ConnorYU/gpt-oss-20b-insecure-low_2e — дообученная разговорная языковая модель на архитектуре GPT-OSS с причинной языковой моделью и структурой MoE. Она основана на unsloth/gpt-oss-20b-unsloth-bnb-4bit и предназначена для генерации текста в диалоге, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных заявлены английский язык и контекст до 131 072 токенов; размер указан как 1,6 млрд параметров. Веса опубликованы в формате Safetensors. Разработчик сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальную предметную область или результаты оценки качества; название репозитория само по себе не подтверждает конкретные свойства безопасности или уязвимости.

GRPO-VI-Qwen2-7B-RAG — языковая модель, дообученная командой Nguyen Nho Trung, Nguyen Van Huy и Nguyễn Nhat Quang на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для генерации ответов в системах с дополненной поиском генерацией (RAG), сохраняя диалоговые возможности. Обучение включало supervised fine-tuning и GRPO на вьетнамских примерах: модель улучшали для многошаговых вопросов по найденным документам, отбора нерелевантных сведений и объединения информации. Также модель подходит для общих вопросов, математики и задач по программированию. Это плотная архитектура Qwen2 с 7,1 млрд параметров, рассчитанная на текстовый ввод и текстовые ответы; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов. Модель ориентирована на вьетнамский язык. В карточке приведены оценки на внутреннем наборе EvalRAGData и бенчмарке VMLU, но результаты не гарантируют точности в других сценариях. Разработчики отмечают возможные ошибки и предвзятые или неуместные ответы, особенно на политические и общественные темы. Лицензия — Apache-2.0.

Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная Huihui AI путём удаления значительной части отказов из дообученной модели Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Она предназначена для диалогов, рассуждений, анализа изображений и работы с инструментами; в метаданных для неё указан тип задачи image-text-to-text. Модель распространяется в формате safetensors и работает через библиотеку Transformers; автор README также приводит вариант запуска через Ollama. Её модерация существенно снижена, поэтому она может выдавать чувствительный, спорный или неподходящий контент. README характеризует способ удаления отказов как грубую реализацию для проверки концепции. Лицензия — Apache-2.0.

Это независимая производная модель Huihui-Qwen3.8-27B-abliterated, подготовленная на основе исходных BF16-весов Huihui и с использованием схемы NVFP4 от Gittensor. Релиз не является официальным продуктом Huihui, Gittensor, Qwen, NVIDIA или SGLang. Модель распространяется под лицензией Apache 2.0. Модель предназначена для генерации текста и мультимодальных сценариев image-text-to-text, включая агентские задачи, работу с инструментами и сложные задачи рассуждения и программирования. Она основана на архитектуре Qwen3.8 с 27 млрд параметров и использует квантование NVFP4 W4A4 с размером группы 16. В процессе подготовки vision-компоненты, embeddings и отдельные слои Gated-DeltaNet были исключены из NVFP4; native MTP head удалён из deployment-варианта. Поддерживается контекст до 262 144 токенов при конфигурации SGLang, указанной в карточке. Сведения о языках обучения или полном перечне поддерживаемых языков отсутствуют. К сильным сторонам относятся сниженные требования к памяти благодаря NVFP4, совместимость с layout и метаданными Gittensor, а также возможность запуска на одной NVIDIA RTX 5090 с SGLang. Для ускоренного декодирования предусмотрена отдельная совместимая модель-черновик DSpark. Ограничения включают ориентацию на конкретную GPU-конфигурацию и serving-стек, необходимость специальной настройки SGLang, отсутствие встроенного MTP head и зависимость ускоренного режима от отдельного DSpark checkpoint. Архитектурные и поведенческие последствия абляции слоёв 18–51 по описанию исходной модели и слоёв 17–51 по прямому сравнению тензоров отдельно не оценены.

hari31416 публикует IndicOCR MLX 4-bit — 4-битную квантизированную MLX-версию распознавателя IndicBlockOCR, второй стадии модели bodhan-ai/indic-ocr. Она предназначена для распознавания текста в обрезанных областях документов и оптимизирована для инференса на Apple Silicon с Metal GPU. Архитектура основана на Qwen3.5-0.8B и использует словарь Sarvam на 151 тысячу токенов для 22 индийских письменностей, английского языка, чисел и математических обозначений. В README указаны размер весов 636 МБ, скорость 391 мс на фрагмент и CER 4,83% в сравнении с PyTorch-базой на 50 фрагментах документов из ai4bharat/indicdlp. На этом наборе WER составляет 9,68%, а точное совпадение — 60%; результаты относятся к описанной конфигурации и тестовой выборке. Репозиторий также описывает двухэтапный конвейер с отдельным детектором макета PP-DocLayoutV3, который работает через PyTorch MPS, а не MLX. Лицензия в метаданных указана как other, без уточнения условий.

Netra-OCR — модель распознавания текста в строках, разработанная Darayut. Она принимает изображение одной строки и возвращает распознанный текст на кхмерском или английском языке. В репозитории есть актуальная версия с декодированием графемных кластеров и более ранняя символьная версия для совместимости; модель рассчитана на использование через Transformers и пакет netra-ocr. Модель содержит 17 млн параметров и обучена с нуля на 1,3 млн синтетических изображений строк. Архитектура объединяет сверточную сеть Squeeze-and-Excitation, Transformer-энкодер и Transformer-декодер; длинные строки разбиваются на перекрывающиеся фрагменты. Кластерное декодирование сокращает последовательности кхмерского текста примерно на 43%, а отдельная блоково-параллельная версия ускоряет декодирование примерно в 1,55 раза при том же результате. Модель предназначена для печатного текста. Она распознаёт только отдельные строки, поэтому для обработки страниц требуется предварительное обнаружение строк; пакет netra-ocr добавляет инструменты для анализа страниц и документов. Рукописный текст не входил в обучение. Лицензия — MIT.

thealper2/lfm2-700m-linux-command — дообученная модель на базе LiquidAI/LFM2-700M для преобразования запроса на естественном языке в одну команду Linux shell. Она выдаёт только команду, без пояснений; предусмотрен шаблон чата LFM2, а для получения стабильного ответа рекомендуется жадное декодирование. Архитектура — плотная Lfm2ForCausalLM с гибридным сочетанием полного внимания и коротких свёрток. В README указано 742,5 млн параметров, а метаданные каталога приводят 956,3 млн; контекстное окно по метаданным — 128 000 токенов. Модель обучалась на наборах nl2bash и linux-command-dataset, языковая метка карточки — английский. Она подходит для получения кандидатов команд по кратким описаниям задач, например для поиска файлов или процессов, и как генератор команд в изолированном терминальном агенте. На тестовом наборе точное совпадение с единственным эталонным ответом составило 29,1%, структурное — 30,3%; эти показатели не измеряют семантическую корректность всех допустимых команд. Модель может выводить неверные или разрушающие команды и не проверяет их безопасность. README указывает лицензию как other без конкретизации условий, поэтому лицензионные права следует сверить с карточкой репозитория Hugging Face.

SUPRITH2004/llama-3.2-3b-classification-merged — дообученная языковая модель SUPRITH2004 на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов. Несмотря на слово classification в названии, в карточке указана задача генерации текста; отдельные сведения о классификационном обучении или качестве классификации отсутствуют. Модель поддерживает диалоговый сценарий и интерфейс вызова инструментов, использует английский язык и может применяться для генерации ответов и текста в приложениях на базе Llama. Дообучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Лицензия — Apache-2.0.

Диалоговая языковая модель wamegabe, дообученная на unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в формате чата и поддерживает интерфейс вызова инструментов. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и имеет контекстное окно до 131 072 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сведения о конкретных обучающих данных, оценках качества или специальных областях применения.

shadicopty/llama3.2-entity — дообученная модель на базе Llama 3.2 3B для извлечения из текста названий компаний, проектов и людей с выдачей результата в заданном формате JSON. Она предназначена для локального запуска на настольном компьютере и подготовки текста к обезличиванию перед отправкой в облачные сервисы. Модель имеет архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В репозитории представлены форматы GGUF F16 и PyTorch; обучение проводилось с Unsloth в Google Colab. Модель можно использовать как этап распознавания сущностей в локальном процессе защиты данных. Карточка не сообщает, какие языки или домены охвачены обучением, поэтому качество на конкретных языках и типах текста по ней оценить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Модель содержит 1,7 млрд параметров, использует архитектуру LatentMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов. Доступны интерфейс чата и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 40 960 токенов. Она распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Данные обучения и специальные сценарии применения в карточке не описаны.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель загружается через Transformers; веса доступны в форматах PyTorch и Safetensors. Она может подойти для диалоговых приложений и генерации текста с вызовом инструментов. Датасет дообучения не описан, поэтому специфические преимущества и качество для отдельных задач установить нельзя. Лицензия — Apache-2.0.

llm-d-sc-complexity — англоязычная модель эмбеддингов предложений, разработанная для llm-d-sc, компонента маршрутизации запросов в llm-d. Модель дообучена на базе sentence-transformers/all-MiniLM-L6-v2 и создаёт 384-мерные векторы для оценки сложности запросов: от простых одношаговых инструкций до составных задач. Архитектура — BERT; в репозитории указано 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель не выдаёт готовую метку класса. Запрос сравнивается по косинусному сходству с набором текстовых опорных примеров (anchors), после чего ранжированные оценки можно использовать для выбора уровня обслуживания. Набор anchors можно менять или расширять без переобучения; выбор конечной точки и маршрутизация остаются на стороне вызывающей системы. В README сообщается об оценке на 80 отложенных запросах и о задержке на CPU, однако результаты получены в домашней лаборатории и независимо не воспроизводились. Модель обучена на синтетических данных, а проверка на человеческой разметке не проводилась. Наиболее неоднозначна граница между уровнями MEDIUM и COMPLEX; качество зависит от содержимого anchors. Поддерживается только английский язык. Лицензия — Apache-2.0.

AlSamCur123 дообучил модель Mistral Small Instruct от Unsloth с помощью библиотек Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель на 22 млрд параметров для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Указанная длина контекста — 131 072 токена, формат весов — safetensors. Модель подходит для диалогов и генерации текста на английском языке. В README не описаны конкретная специализация дообучения, обучающие данные или результаты оценки качества, поэтому её преимущества в отдельных задачах оценить нельзя. Лицензия — Apache-2.0.

RadixArk подготовил квантованный чекпойнт Muse Glimmer для запуска через SGLang. Он основан на meta-models/Muse-Glimmer-30B и использует смешанную точность: NVFP4 для большинства проекций, MXFP8 для чувствительных слоёв и bf16 для нормализаций. Веса в формате Safetensors занимают около 18,34 ГиБ вместо 52 ГиБ у экспорта bf16. Модель предназначена для диалоговой генерации и задач с изображениями, однако README рекомендует запускать именно языковую часть с параметром --language-model-only: зрительный модуль есть в базовом экспорте, но не входит в этот квантованный чекпойнт. Такой вариант подходит для декодирование-тяжёлых сценариев, локального сервинга и работы с инструментами; на DGX Spark ускорение генерации относительно bf16 достигает примерно 2,7 раза, но предварительная обработка длинных запросов при больших пакетах может быть медленнее. Проверены базовая генерация и арифметические запросы, полная оценка качества ещё не выполнена. Для сервинга требуется форк SGLang с поддержкой Muse Glimmer. Лицензия в предоставленных данных не указана.

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

Plek-1 — модель классификации решений от sharhabeel, построенная на архитектуре T5ForConditionalGeneration и методологии Jev System One. Она оценивает заданные варианты параллельно за один проход и возвращает вероятности и структурированные решения, ограниченные списком вариантов. Модель предназначена для классификации намерений и настроений, определения срочности, маршрутизации запросов и фильтрации угроз; в карточке заявлена работа с контекстом, вопросом или подсказкой и набором вариантов. Модель содержит 385,2 млн параметров, использует формат safetensors и имеет контекстное окно 512 токенов. Метаданные указывают английский язык и лицензию Apache-2.0. Карточка заявляет высокую скорость и снижение риска произвольных текстовых ответов благодаря выбору из предложенных вариантов, однако не приводит независимых оценок качества. Упоминание в README оценки контекста свыше 200 000 токенов не согласуется с указанным в метаданных размером контекста.

Omnia118/qween_bio — дообученная Omnia118 языковая модель семейства Qwen2 на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста и диалогового взаимодействия; заявленное нативное контекстное окно — 32 768 токенов. В карточке также обозначен интерфейс для вызова инструментов. Модель может служить основой для чат-ботов и генерации ответов на текстовые запросы. README сообщает, что обучение выполнялось с Unsloth и библиотекой TRL, но не описывает специализированную биомедицинскую тематику, данные обучения или проверенные медицинские сценарии. Поддерживаемый язык по метаданным — английский. Лицензия — Apache-2.0.

caraman/Qwen2.5-7B-query-rewriter — специализированная текстогенерационная модель, дообученная на базе Qwen/Qwen2.5-7B-Instruct для переформулирования поисковых запросов. Модель предназначена для conversational search и сценариев RAG, где текущий запрос пользователя нужно преобразовать в самостоятельный и более подходящий для поиска по документам; в метаданных также указана совместимость с MLX и форматом safetensors. Модель содержит около 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и ориентирована на английский язык. Её сильная сторона — специализация на query rewriting в диалоговом поиске и retrieval-augmented generation, что может улучшать поиск по контексту предыдущих сообщений. Лицензия Apache 2.0; модель основана на Qwen2.5-7B-Instruct и наследует условия его использования.