I.14Автоматизация процессов и AI-агенты

lorenzkuhn/distilbert-base-uncased-finetuned-squad — модель семейства DistilBERT, дообученная на наборе данных SQuAD v2 для извлечения ответов на вопросы из предоставленного текста. Она принимает вопрос и контекст и предсказывает фрагмент контекста как ответ; архитектура относится к плотным трансформерам, формат весов — PyTorch, контекст ограничен 512 токенами. В README указано значение loss 1,3206 на оценочной выборке. Модель предназначена для английских текстов и сценариев поиска ответа в документе или отрывке. Карточка не содержит подробной оценки качества за пределами указанного loss и не описывает дополнительные применения. Распространяется по лицензии Apache-2.0.

Dream Shimmer LR6 — разработанная Скоттом Леймротом версия Muse Glimmer 30B с изменением весов, снижающим склонность модели отказывать на обычные запросы. Это не дообучение: автор применил целевую правку весов в матрицах внимания и MLP, сохранив архитектуру Muse Glimmer и башню зрения. Модель поддерживает диалог с изображениями и ориентирована на агентные сценарии: многошаговое выполнение задач, использование инструментов и длинные диалоги. По опубликованным автором измерениям LR6 сопоставима с базовой моделью в использовании инструментов, структурированном выводе и обработке длинного контекста, но хуже справляется с соблюдением ограничений в многошаговых диалогах и надёжностью агента. Снижение отказов намеренное; модель недостаточно защищена от инъекций в запросы, поэтому ограничения инструментов следует обеспечивать вне модели и не помещать секреты в её контекст. Эти результаты получены самим автором и не являются независимой оценкой. Репозиторий использует формат safetensors и лицензию Apache-2.0; README указывает, что следует также учитывать лицензию базовой модели.

Falcon-E-1.2-3B-Exp-dpo-prequantized — предварительно квантованная тернарная языковая модель на 3 млрд параметров, опубликованная axolotl-ai-co. Это версия Falcon-E-1.2-3B-Exp-dpo, подготовленная для дальнейшего дообучения. Модель основана на контрольной точке tiiuae/Falcon-E-3B-Base-prequantized и дообучена полным обновлением весов в течение трёх эпох на данных для агентных сценариев и STEM с использованием Axolotl и onebitllm. Модель предназначена для генерации текста и диалогового взаимодействия; режим рассуждений think включён по умолчанию и может быть отключён. Архитектура — плотная LlamaForCausalLM, указанная разрядность весов — 1,58 бита, контекст — до 32 768 токенов. Карточка описывает использование с Transformers, llama.cpp и mlx-lm. Языки в доступных сведениях не обозначены. Модель может быть полезна для экспериментов с агентными и STEM-сценариями, диалоговой генерации и последующего дообучения. Лицензия — Apache-2.0; карточка не приводит оценок качества или подробных ограничений применения.

Mungert/granite-guardian-3.2-5b-GGUF — GGUF-квантизированная версия Granite Guardian 3.2 5B, разработанной IBM Research. Это компактная модель для обнаружения рисков в пользовательских запросах, ответах языковых моделей и диалогах, а также для работы в качестве защитного слоя в корпоративных приложениях. Модель предназначена для выявления вредоносного содержания, социального предубеждения, попыток jailbreak, насилия, ненормативной лексики, сексуального содержания, неэтичного поведения, уклончивости и других рисков. Она также оценивает релевантность контекста, обоснованность и релевантность ответов в RAG-сценариях, а в агентных системах — риски галлюцинаций и синтаксические или семантические ошибки в function calling. Исходная модель создана методом итеративного pruning и healing: около 30% параметров Granite Guardian 3.1 8B удалено для ускорения инференса и снижения требований к ресурсам при сохранении конкурентных результатов на стандартных бенчмарках. Представленная версия преобразована в формат GGUF с использованием llama.cpp. Автор репозитория указывает на применение избирательного повышения точности отдельных слоёв при квантовании, что может улучшать точность при заданном размере файла, но увеличивает его объём. В README не указаны точное количество параметров после преобразования, архитектура, размер контекста, поддерживаемые языки и конкретные схемы квантования. Модель работает с текстом и распространяется по лицензии Apache 2.0.

gWorld-32B (GuiWorld) — открытая модель Trillion Labs для моделирования состояний графического интерфейса мобильных приложений по изображению экрана и действию пользователя. Это плотная vision-language-модель на базе Qwen3-VL-32B, представленная как чат-модель с поддержкой изображений; она принимает скриншот и действие, например нажатие или ввод текста, а затем генерирует рассуждение о переходе и HTML/CSS-код нового состояния интерфейса. Модель предназначена для предсказания следующего состояния мобильного GUI, симуляции интерфейсов и оценки того, как приложение отреагирует на действие. Представление результата в виде кода позволяет сохранять чёткость текста и структуру макета. В README заявлены улучшение точности следования инструкциям относительно базовой модели и обобщение на тесты AndroidWorld и KApps. Модель выпущена под лицензией Apache 2.0. Описанный сценарий требует передавать действия в заданном формате и использовать нормализованные координаты от 0 до 1000. Заявленные результаты приведены в карточке модели; независимые условия и детали оценки там не описаны.

HiveTraceGuard-Pro — компактная модель классификации запросов и ответов для защитных контуров LLM и агентных систем, разработанная HiveTrace на базе Qwen3-0.6B. Она проверяет сообщения на вредоносное содержание, jailbreak, prompt injection, обфускацию, извлечение секретов и попытки перехвата инструментов. Модель возвращает один из двух вердиктов: safe или unsafe; вероятность unsafe можно получить из логитов этих меток. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 507,9 млн параметров и контекст до 40 960 токенов. Заявлены русский и английский языки, режимы проверки пользовательского ввода и ответа ассистента с учётом запроса. Для обслуживания указаны Transformers, vLLM и SGLang; фиксированная политика позволяет использовать кеширование общего префикса. Модель подходит для фильтрации сообщений и контроля безопасности перед передачей запроса LLM или после генерации ответа. Она выдаёт только бинарную метку, поэтому не объясняет причину решения и не формирует развёрнутые отчёты. Распространяется по лицензии Apache-2.0.

Jev-Style-Qwen3.5-2B-Decision-v2-MLX-bf16 — англоязычная модель для классификации, маршрутизации и выбора типизированного ответа из заданного списка. Она основана на Qwen3.5-2B и дообучена в формате Jev-style: получает описание состояния, вопрос и от 2 до 26 вариантов, а за один проход выдаёт вероятности выбора с применением калибровки. Репозиторий содержит веса MLX в BF16, клиент инференса и материалы оценки; указанный размер модели — 1,7 млрд параметров, нативный контекст — 262 144 токена. Модель предназначена для задач с заранее заданными ответами, включая классификацию текста, логические вопросы, маршрутизацию и упорядоченные оценки. В фиксированной англоязычной панели автор сообщает точность 81,20% и улучшение метрик относительно сравниваемых моделей; эти результаты относятся к описанному набору задач и не гарантируют аналогичного качества на других данных. Интерфейс ограничивает промпт 1 024 токенами, хотя контекстная ёмкость базовой архитектуры больше. Этот вариант рассчитан на запуск через MLX на Apple Silicon. Лицензия — Apache-2.0.

StevenSiahaan дообучил модель unsloth/Llama-3.2-3B-Instruct-bnb-4bit для генерации текста. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она предназначена для диалогов и других задач генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 131072 токена. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется под лицензией Apache-2.0. README не уточняет языковую специализацию дообучения, а языковые метаданные указывают только английский; поэтому её пригодность для индонезийского языка по имеющимся данным подтвердить нельзя.

MM Grounding DINO Tiny — модель обнаружения объектов с открытым словарём, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она принимает изображение и текстовые запросы с названиями объектов и возвращает обнаруженные объекты с рамками и оценками. Вариант Tiny использует backbone Swin-T; улучшенная контрастивная голова классов и отдельные параметры декодера повышают качество zero-shot-обнаружения. Модель обучена на Objects365v1, GOLD-G и V3Det. Модель предназначена для поиска объектов по текстовому описанию без необходимости ограничиваться фиксированным набором классов, а также для задач обнаружения объектов на изображениях. В приведённых результатах вариант показал 50,6 COCO mAP и 30,6 AP на LVIS Val1.0. Весовые файлы представлены в формате safetensors и распространяются по лицензии Apache-2.0.

MoonViT-V2 — визуальный энкодер, представленный как нативный vision backbone Kimi K3; репозиторий AI4Industry содержит извлечённые веса из чекпойнта moonshotai/Kimi-K3. Модель предназначена для кодирования изображений и видео в визуальные токены для мультимодальной обработки. Метаданные относят её к задаче извлечения признаков изображений. Архитектура — 27-слойный Vision Transformer примерно на 453 млн параметров с размером скрытого состояния 1024, 12 головами и патчами 14 × 14. Для изображений и видео используется общий путь с пространственным и временным вниманием; сжатие токенов включает pixel shuffle 2 × 2 и временной pooling. README указывает на обработку видео последовательностью кадров, по умолчанию до четырёх кадров. В репозитории сохранены веса vision tower в формате safetensors, без языковой модели и проектора, поэтому это не самостоятельная мультимодальная чат-модель. Модель может служить визуальным энкодером для распознавания текста, анализа интерфейсов и понимания видео. Обучающие данные, согласно README, охватывают подписи, документы, OCR, видео, визуальный код, grounding, SVG, 3D-объекты, веб-страницы, игры и CAD. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория и исходного Kimi K3.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Pleias-Pico — компактная языковая модель PleIAs на 353,4 млн параметров для генерации ответов в системах поиска с дополненной генерацией (RAG). Это плотная авторегрессионная модель семейства Llama, дообученная продолжением предобучения базовой Pleias-350m на 45 млрд токенов данных Common Corpus с примерами поисковых и RAG-задач. Длина контекста — 2048 токенов. Модель принимает запросы и предоставленные источники в специальной структурированной форме, анализирует релевантность и качество источников и генерирует ответы с цитатами и выдержками, привязанными к исходным материалам. Поддерживаются английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, латинский и польский языки. Разработчик сообщает об улучшении фактической точности и проверяемости ответов в RAG-сценариях; модель также применялась в проектах PleIAs. Модель распространяется с лицензией Apache-2.0. Она не заменяет полноценную RAG-систему: ошибки поиска, сложные документы и запросы могут ухудшить ответы, а цитаты следует проверять. Дополнительное выравнивание безопасности не проводилось; возможны предвзятые или проблематичные ответы, несмотря на заявленный низкий уровень токсичности.

quinex-quantity-v0-124M — англоязычная модель Jülich Systems Analysis для извлечения количественных упоминаний из текста. Это энкодерный трансформер на архитектуре RoBERTa, дообученный на базе nasa-impact/nasa-smd-ibm-v0.1 (INDUS), который был предварительно обучен на научной литературе и Википедии. В метаданных указаны 151,8 млн параметров и контекст длиной 514 токенов; в README размер округлён до 124 млн параметров. Модель размечает токены, находя числа и связанные с ними единицы измерения. Она предназначена для извлечения количественных данных из научных публикаций и других англоязычных текстов. В README сообщается о F1 96,34 на тестовом наборе и проверке на публикациях из нескольких научных областей; результаты зависят от трактовки неоднозначных количественных выражений. Модификаторы вроде «примерно», «более» и отрицания в выделяемые фрагменты не входят. Лицензия — Apache-2.0.

Sakalti/Qwen2.5-1B-Instruct — текстовая диалоговая модель семейства Qwen2, созданная Sakalti с помощью mergekit из Sakalti/SJT-0.5B методом passthrough. Модель содержит около 851,8 млн параметров, использует архитектуру Qwen2ForCausalLM и доступна в формате safetensors для библиотеки Transformers. Метаданные указывают контекст длиной до 32 768 токенов и поддержку интерфейса вызова инструментов. Модель предназначена для генерации текста в диалоге и может применяться для ответов на вопросы, ведения беседы и сценариев с вызовом инструментов. В карточке отмечен английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Это экспериментальный чекпойнт компактной языковой модели Qwen2.5-1.5B-Instruct, подготовленный автором репозитория huggingFacing как вариант серии экспериментов по дистилляции знаний из Qwen2.5-7B-Instruct в модель на 1,5 млрд параметров. Вариант lift_v12_top_only использует gap gate и веса влияния двух верхних слоёв на уровне шагов; обучение проводилось методом on-policy GKD на английском наборе Paper100K, 1500 шагов с глобальным размером пакета 64 и генерацией до 128 токенов за пример. Модель предназначена для диалогов и генерации текста, включая структурированные ответы и интерфейс вызова инструментов, унаследованный от базовой instruct-модели. Архитектура — плотная Qwen2 causal language model, контекст — до 32768 токенов; веса представлены в SafeTensors и доступны по лицензии Apache-2.0. Карточка описывает абляционный вариант дистилляции, поэтому его качество следует оценивать отдельно от полного метода и исходной модели.

Qwen3.5-2B-EU-Tool-JARVIS-Compact-v1 — дообученная JJarvinen текстовая генеративная модель на архитектуре Qwen3.5, рассчитанная на диалоговую генерацию и взаимодействие с инструментами. В README указано, что обучение проводилось с Unsloth и библиотекой TRL; метаданные описывают плотную архитектуру Qwen3_5ForCausalLM с 1,7 млрд параметров и контекстом до 262 144 токенов. Модель принимает текст и генерирует текст; карточка указывает английский язык. Она распространяется в формате Safetensors по лицензии Apache-2.0. Данные не содержат подробных результатов оценки качества или конкретных сценариев применения, поэтому пригодность для специализированных задач требует проверки.

Qwen3-VL-2B-Persian-Arabic-Ocr-v1.0 — модель распознавания текста на изображениях отдельных строк, созданная дообучением Qwen/Qwen3-VL-2B-Instruct. Она предназначена для OCR персидского и арабского письма на заранее обрезанных фрагментах с одной строкой текста, например для извлечения строк из документов или изображений после этапа обнаружения и кадрирования текста. Архитектура — плотная мультимодальная Qwen3-VL с 2B параметров; модель принимает изображения и выдаёт распознанный текст. В README указана версия весов с точностью 16 бит, а метаданные указывают формат safetensors. Модель не рассчитана на распознавание целых страниц: для такого сценария требуется отдельно выделить текстовые строки. В README приведены значения обучающей функции потерь, но они сами по себе не показывают качество на независимых данных. Лицензия — Apache-2.0.

RewardAnything-8B-v1-f32-GGUF — модель оценки ответов с 8 млрд параметров в формате GGUF, представленная prithivMLmods. Она основана на дообученной Qwen3-8B и предназначена для оценки ответов по принципам и критериям, заданным на естественном языке. Критерии можно менять во время работы без повторного обучения модели. Модель поддерживает текстовую генерацию и диалоговый режим. В README заявлены обобщение на новые критерии оценки, объяснение решений и применение в конвейерах RLHF, включая PPO и GRPO. Доступны варианты BF16, F16 и F32; файл F32 занимает 32,8 ГБ. Лицензия — Apache-2.0. Вариант GGUF рассчитан на локальный запуск, пакетную обработку и интеграцию с Ollama или Hugging Face. Качество и скорость зависят от выбранного файла и оборудования; заявленные результаты на RM-Bench и RABench приведены в README без численных подробностей.

Self-RAG — языковая модель семейства Llama, разработанная авторами проекта Self-RAG. Модель генерирует ответы на запросы и специальные токены рефлексии, с помощью которых может адаптивно обращаться к системе поиска и оценивать собственные ответы и найденные фрагменты. Она обучена на инструкционных данных с чередованием текстовых фрагментов и токенов рефлексии, используя стандартное предсказание следующего токена. Модель предназначена для генерации ответов с опорой на найденные документы и для сценариев, где важно оценивать качество ответа и релевантность источников. В карточке описан запуск с заранее предоставленными фрагментами, а полный конвейер с поисковой системой и декодированием дерева доступен в коде проекта. Архитектура — плотная LlamaForCausalLM; в метаданных указано 6,6 млрд параметров и контекст 4096 токенов. Веса доступны в формате PyTorch, лицензия — MIT. Карточка не называет конкретные поддерживаемые естественные языки. Для полного сценария Self-RAG необходимы отдельная поисковая система и программный конвейер проекта; одной генерацией модель не выполняет поиск по внешним источникам.

TAPAS Large — модель Google на базе трансформера, похожего на BERT, для проверки утверждений по содержимому таблиц. Версия из репозитория дообучена на наборе TabFact: по текстовому утверждению и таблице она определяет, подтверждается ли утверждение таблицей или опровергается. Модель содержит 433,9 млн параметров, использует относительные позиционные эмбеддинги с перезапуском индексов в каждой ячейке; для обработки текст и таблица объединяются в последовательность. Контекст — до 1024 токенов по метаданным модели. TAPAS предварительно обучалась на англоязычных таблицах и связанных текстах из Википедии с помощью masked language modeling и дополнительного этапа обучения на синтетических примерах проверки утверждений и числовых рассуждений. Затем модель дообучили на TabFact. Она предназначена для проверки фактов в таблицах и может служить основой для задач вопросов и ответов по табличным данным, однако эта версия обучена именно классификации поддержки или опровержения утверждений. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

TAPEX-large-finetuned-WTQ — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и предварительно обучена как нейронный исполнитель SQL-запросов, чтобы выполнять рассуждения по табличным данным; эта версия дообучена на WikiTableQuestions. Модель предназначена для ответов на сложные вопросы о содержимом таблицы, включая сравнение значений и поиск записей по условиям. Модель использует архитектуру encoder-decoder с примерно 252,8 млн параметров и контекстом до 1024 токенов. На вход подаются таблица и вопрос в текстовом представлении, на выходе генерируется текстовый ответ. Карточка указывает английский язык и лицензию MIT. Результаты могут быть ненадёжными для вопросов, которые нельзя решить по таблице, или при сложных формулировках и несоответствии формата входных данных ожиданиям модели.

cardiffnlp/twitter-roberta-base-ner7-latest — модель Cardiff NLP на архитектуре RoBERTa, обученная на 154 млн твитов до конца декабря 2022 года и дообученная для распознавания именованных сущностей в твитах на датасете TweetNER7 из SuperTweetEval. Она размечает фрагменты текста как организации, творческие работы, события, группы, местоположения, людей и продукты. Модель предназначена для извлечения сущностей из сообщений в социальных сетях; её можно использовать для анализа упоминаний людей, организаций и других объектов в твитах. Метаданные указывают 151,8 млн параметров, контекст до 514 токенов и поддержку английского языка. Распространяется по лицензии MIT.

Vela-1.0-Encoder-307M — многоязычный энкодер ModernBERT от llm-semantic-router, дообученный на базе jhu-clsp/mmBERT-base. Он предназначен для использования как основа специализированных моделей маршрутизации и для задачи заполнения маскированных токенов. Модель содержит 306,9 млн параметров, принимает последовательности длиной до 32 768 токенов и распространяется в формате Safetensors. В карточке приведено сравнение masked-token negative log-likelihood с исходным mmBERT32K Base на многоязычном наборе разработки: Vela показала более низкие значения на длинах контекста 512, 8K и 16K. Набор охватывает английский, китайский, немецкий, французский, японский и арабский языки; он использовался для выбора чекпойнта и не является независимым тестом. Лицензия — MIT.

newreyy/xlm-roberta-ner-v2 — дообученная на распознавании именованных сущностей модель XLM-RoBERTa-Base, разработанная для анализа неформальных публикаций и комментариев в социальных сетях. Она выполняет классификацию токенов и размечает сущности в текстах на индонезийском и английском языках, включая людей, организации, географические объекты и другие категории из заданного набора меток. Модель подходит для фильтрации публикаций, помощи в модерации, мониторинга политических тем и отслеживания упоминаний брендов и организаций. Архитектура — XLM-RoBERTa с 305,2 млн параметров; максимальная длина контекста — 514 токенов. В README приведена оценка на валидационном наборе: micro-F1 0,8387. Качество может снижаться на смешанных языках, при обилии сленга, сарказма, коротких или неоднозначных сообщениях; модель не предназначена для формальных академических и юридических текстов. Она может наследовать смещения обучающих данных, поэтому результаты для модерации и других чувствительных сценариев следует проверять человеком. Лицензия — Apache-2.0.

YanoljaNEXT-Rosetta-4B-2511 — языковая модель на 4 млрд параметров, разработанная Yanolja NEXT и дообученная на базе google/gemma-3-4b-pt. Это декодерная модель семейства Gemma 3, использующая компонент Gemma3ForCausalLM и предназначенная для генерации текста и перевода структурированных данных с сохранением исходного формата. Модель подходит для локализации каталогов товаров, перевода отзывов об отелях и обработки других данных в форматах JSON, YAML и XML. Обучение проводилось на синтетических многоязычных переводах, созданных на основе FineWeb Edu и FineWeb2. Заявлена поддержка 32 языков; контекст составляет до 131 072 токенов. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,64. Модель оптимизирована для структурированных данных; качество на обычном тексте и других форматах может быть ниже. Возможны некорректный JSON, повторы и ошибки перевода. Лицензия — Gemma.

Argonne 4.5-decision — англоязычная модель PursuitOfDataScience на архитектуре Argonne2 с 2,1 млрд параметров и контекстом 13 568 токенов. Это дообучение argonne-4.5-base-ctx13568 с дополнительной головой для принятия решений; вместо генерации текста модель за один проход оценивает заданные варианты и возвращает вероятности. Модель предназначена для классификации без примеров, выбора из 2–255 вариантов, выставления оценки по заданной шкале и оценки вероятности истинности утверждения. Она подходит, например, для маршрутизации обращений, классификации намерений и проверки условий, сформулированных в вопросе. В описанных тестах точность на разных наборах задач в среднем выше, чем у DeBERTa-v3-large zero-shot и BART-large-MNLI, а вероятности для некоторых типов вопросов хорошо откалиброваны. Качество зависит от задачи: на Banking77 точность составляет 62,5%, что заметно ниже опубликованного результата Jev в 81,1%; на незнакомых задачах «да/нет» вероятности могут смещаться к середине, поэтому порог стоит подбирать на размеченных примерах. Модель принимает только английский текст, не объясняет решения, а тексты длиннее 13 568 токенов обрезаются. Репозиторий использует PyTorch, Transformers и safetensors; лицензия — Apache-2.0.

DistilCamemBERT-NLI — франкоязычная модель компании CMarkea для распознавания текстового следования, противоречия и нейтрального отношения между посылкой и гипотезой, а также для классификации без обучения на заданных пользователем метках. Это дообученная для задачи NLI модель DistilCamemBERT с архитектурой CamemBERT и примерно 81,2 млн параметров; она принимает текстовые пары и выдаёт метки классов. Размер контекста — 514 токенов. Модель обучена на XNLI из набора FLUE. Её можно применять для классификации отзывов по тональности или статей по темам с помощью формулировок гипотез и кандидатных меток на французском языке. По опубликованному сравнению, на указанном процессоре она выполняла вывод примерно вдвое быстрее CamemBERT-base-XNLI, но показывала более низкую точность на части тестов. Доступны форматы PyTorch, TensorFlow и ONNX. Лицензия — MIT.

Это диффузионная языковая модель Dream на 7,1 млрд параметров, дообученная с помощью register-токенов для рассуждений с ограниченным состоянием. Фиксированный набор register-токенов переносит состояние рассуждения между фрагментами генерации: текст предыдущих фрагментов можно очищать, сохраняя значения регистров, чтобы продолжать работу после сброса контекста. Модель предназначена для генерации текста и диалоговых сценариев; заявлен интерфейс вызова инструментов. Максимальная длина контекста по метаданным — 131 072 токена. Модель построена на архитектуре Dream и распространяется в формате safetensors. В README указано, что примеры кода и инференса доступны в связанном GitHub-репозитории. Данные о языковой специализации, лицензии и известных проблемах качества в предоставленных материалах отсутствуют.

ethicalabs/Echo-DSRN-v0.1.3-Intent-CLF — экспериментальная многозадачная классификационная модель разработчика Ethicalabs на архитектуре Echo-DSRN. Она объединяет базовую модель ethicalabs/Echo-DSRN-114M-v0.1.2 с адаптером Intent-CLF-PEFT; в карточке указано 98 млн параметров, а в метаданных — 49,9 млн. Модель предсказывает один из 60 интентов Amazon MASSIVE по входному тексту и предназначена для многоязычной классификации пользовательских запросов. Карточка сообщает о проверке на валидационной выборке MASSIVE для 51 языка с общей точностью 67,71%; для английского указано 81,14%. Метаданные указывают контекст до 2048 токенов, а карточка — формат bfloat16 и необходимость загрузки с trust_remote_code=True. Модель принимает текст и выдаёт метку класса. Она помечена разработчиком как экспериментальная и предназначенная для академической оценки и исследований; Apache-2.0.

Это дообученная kugu модель Qwen3 на 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Instruct-2507 с помощью Unsloth и библиотеки TRL. По названию репозитория она предназначена для классификации электронных писем; карточка не уточняет категории, обучающие данные и качество классификации. В метаданных указаны задача генерации текста, диалоговые возможности и контекст до 262 144 токенов, а также поддержка английского языка. Модель принимает текст и выдаёт текст, поэтому её можно применять для классификации писем с помощью инструкций и генерации ответа с меткой. Доступна в формате safetensors. Лицензия — Apache-2.0; конкретные результаты и надёжность для рабочих сценариев в карточке не описаны.