I.14Автоматизация процессов и AI-агенты

dima806/email-spam-detection-distilbert — дообученная модель DistilBERT для классификации текста на категории «спам» и «не спам». Она предназначена для фильтрации электронных писем и других текстовых сообщений. Модель построена на DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке приведён отчёт на тестовой выборке из 16 690 примеров: точность составила 99,2%, а F1-score для классов «спам» и «не спам» — около 99,2%. Эти результаты относятся к указанной выборке и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

dima806/email-spam-detection-roberta — англоязычная модель классификации текста на базе RoBERTa, дообученная на FacebookAI/roberta-base для обнаружения спама в электронных письмах. Она принимает текст и выдаёт метку класса; архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, максимальный контекст — 514 токенов. Модель подходит для автоматической сортировки почты и предварительной фильтрации подозрительных писем. Распространяется по лицензии Apache-2.0. README не содержит подробностей о данных обучения и показателях качества.

FactCG-DeBERTa-v3-Large — англоязычная модель классификации текста, разработанная авторами работы FactCG: Enhancing Fact Checkers with Graph-Based Multi-Hop Data. Она предназначена для проверки фактической обоснованности утверждений, сгенерированных большими языковыми моделями, и выявления галлюцинаций без опоры на факты. Модель дообучена для классификации последовательностей на базе microsoft/deberta-v3-large и содержит 533,8 млн параметров; веса опубликованы в формате safetensors. Максимальная длина контекста — 512 токенов. Модель рассчитана на английский текст и сценарии автоматической проверки фактов в ответах LLM. Лицензия MIT разрешает использование на её условиях. Карточка не описывает метрики качества, схему классов или ограничения на типы утверждений, поэтому пригодность для конкретного домена следует оценивать отдельно.

Модель stillerman/fdt-disfluency-distilbert-66m-v3 — теггер для очистки расшифровок разговорной речи от запинок, разработанный в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT base cased и содержит 65,2 млн параметров; контекст — до 512 токенов. Модель предназначена для обработки потоковых и готовых транскриптов: удаления слов-паразитов, повторов и других речевых сбоев с сохранением исходных формулировок, имён и чисел. В README приведены exact-match 0,9787 и DELETE-F1 0,9952; для браузерного запуска доступен квантованный int8 ONNX-вариант для transformers.js, с указанной скоростью около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без дополнительной проверки прав.

Disty0/Florence-2-large-PromptGen-v2.0 — совместимая с Hugging Face Transformers версия дообученной модели MiaoshouAI/Florence-2-large-PromptGen-v2.0 на архитектуре Florence-2. Она принимает изображение и генерирует текстовые описания и промпты, включая промпты для Flux; в карточке также указаны возможности компьютерного зрения. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Модель выпущена под лицензией MIT. Карточка не содержит подробностей о размере модели, поддерживаемых языках, длине контекста и качестве на разных типах изображений. README сообщает только о совместимой версии для Transformers.

IBM Research разработала Granite Guardian HAP 38M — компактный классификатор токсичности текста на основе RoBERTa с четырьмя слоями и 39,6 млн параметров. Модель анализирует английский текст и классифицирует его на токсичный или нетоксичный, выявляя в том числе ненавистнические высказывания, оскорбления и ненормативную лексику. Модель предназначена для низколатентной фильтрации текста в качестве защитного барьера для LLM, а также для массовой разметки документов. Она работает на CPU и GPU; длина контекста составляет 514 токенов. Выпущена под лицензией Apache 2.0. Короткая архитектура обеспечивает высокую скорость обработки, но при необходимости более высокого F1 разработчик рекомендует 12-слойную версию. Классификация может давать ложноположительные и ложноотрицательные результаты, особенно на текстах, отличающихся от обучающих данных; также возможны ошибки при интерпретации нюансов и проявления смещений, известных для детекторов токсичности и языка ненависти.

InternVideo3-8B-Instruct — мультимодальная модель для понимания длинных видео и диалогового рассуждения о визуальном содержимом. В карточке она представлена как модель семейства InternVideo3; репозиторий указывает архитектуру InternVideo3ForConditionalGeneration и библиотеку Transformers. Модель принимает видео и текст, а также поддерживает понимание изображений и текстовые диалоги; заявленное окно контекста — до 256 тысяч токенов, а обучение для длинных видео охватывает до 2048 кадров при 4 кадрах в секунду. Модель предназначена для ответов на вопросы о видео, временной привязки событий и многошагового анализа длинных видеозаписей. В README также заявлены агентные циклы с использованием инструментов для распознавания речи, веб-поиска, сегментации видео и проверки ответов. Описание обучения упоминает дообучение на текстовых, визуально-текстовых и видеоданных, а также дистилляцию от Qwen3-235B; точная связь этой версии с базовой моделью отдельно не указана. Архитектура включает 27-слойный визуальный ViT и 36-слойную языковую модель; название версии указывает на размер 8B. README заявляет механизм M²LA для снижения затрат KV-кэша и обработки длинного контекста. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Заявленные характеристики и агентные возможности приведены в карточке модели и не сопровождаются здесь независимой оценкой качества.

Josie 3B v6.0 — диалоговая языковая модель на архитектуре Qwen2, дообученная Gökdeniz Gülmez на пользовательских наборах данных. Она предназначена для генерации текста в формате беседы; карточка также заявляет интерфейс вызова инструментов. Для запросов используется шаблон с ролями system, user и assistant, при этом системный промпт не обязателен. Модель содержит 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для диалоговых приложений и генерации ответов. В карточке не описаны состав обучающих данных, конкретные компетенции и поддерживаемые естественные языки, поэтому нельзя оценить специализацию или качество для отдельных задач. Лицензия — Apache 2.0.

Lumma-Fev-0.1B — компактная модель принятия решений компании FrontiersMind, дообученная на FrontiersMind/Nandi-Mini-150M. Это причинный трансформер с архитектурой FevForDecision и механизмом выбора по вариантам ответа: за один проход модель читает документ-состояние и набор типизированных вопросов, затем выдаёт вероятности для каждого вопроса, не генерируя текст. Поддерживаются вопросы форматов «да/нет», выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по тексту или состоянию, заданному текстом, JSON-объектом либо массивом. Вопросы обрабатываются независимо друг от друга, а выводы можно использовать в локальных приложениях и API, совместимом с TypeSafe. В карточке приведён пример автономного выбора игровых действий по состоянию Super Mario; метаданные классифицируют модель как text-classification и указывают английский язык. Модель хранится в формате safetensors с точностью bf16. В качестве ограничения автор отмечает, что уверенность и вероятности являются оценками модели и требуют проверки калибровки на размеченных данных перед использованием для автоматических действий. Лицензия — Apache-2.0.

Модель Gladiator/microsoft-deberta-v3-large_ner_wnut_17 — дообученная версия microsoft/deberta-v3-large для распознавания именованных сущностей в тексте на наборе WNUT 17. Она использует архитектуру DeBERTa V2 для классификации токенов, имеет 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Подходит для извлечения сущностей из текста, в том числе упоминаний, характерных для пользовательского контента и социальных сетей. На оценочной выборке WNUT 17 модель показала F1 0,6848, точность 0,7671 и полноту 0,6184. Эти результаты относятся к указанному набору данных и не гарантируют аналогичного качества на других типах текста. Модель распространяется по лицензии MIT.

mmBERT-32K Jailbreak Detector (Merged) — модель классификации текста для обнаружения jailbreak-запросов и попыток prompt injection. Она разработана на базе vllm-sr/mmbert-32k-yarn: к базовой модели применили LoRA с рангом 48 и alpha 96, после чего веса адаптера объединили с моделью. Архитектура — ModernBERT для классификации последовательностей; размер составляет 306,9 млн параметров, максимальная длина контекста — 32 768 токенов. Модель относит входной текст к одному из двух классов: benign или jailbreak. Она предназначена для фильтрации запросов и проверки длинных контекстов на признаки обхода инструкций. В карточке заявлены accuracy 98,16%, F1 98,15%, precision 98,36% и recall 97,95%; эти показатели относятся к валидации и могут не отражать качество на других данных. Указаны наборы данных LMSYS ToxicChat и OpenSafetyLab Salad-Data. Модель принимает текст и выдаёт метку классификации. Карточка и метаданные указывают английский язык. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Nova-1-0.8B — компактный диалоговый ассистент HyperAI, дообученный на базе Qwen/Qwen3.5-0.8B. Модель содержит 0,8 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется как самостоятельный чекпойнт BF16 для Transformers. По данным карточки, обучение было направлено на следование инструкциям, вызов инструментов и сохранение общих знаний. Модель предназначена для кратких ответов на русском и английском языках и вызова инструментов по протоколу, заданному в системном сообщении. В карточке описана работа с XML-, JSON- и текстовым форматами вызова, а также сценарии с поиском в интернете, калькулятором, погодой, переводом, конвертацией единиц и валют, заметками и напоминаниями. В метаданных указана задача text-generation; архитектура унаследована от мультимодальной Qwen3.5, однако обучение Nova сосредоточено на диалогах и работе с инструментами. Карточка приводит улучшения в GSM8K и ARC-Easy относительно базовой модели при неизменном результате MMLU-Pro. Ограничения: размер модели снижает её пригодность для сложных рассуждений, генерации кода и длинных контекстов; качество инструментальных сценариев проверялось преимущественно на английском и русском. Для корректного вызова инструментов автор рекомендует отключать режим рассуждений. Лицензия Apache-2.0 разрешает коммерческое использование, изменение и распространение.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-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.

OpenMed-PII-BigMed-Large-278M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель XLM-RoBERTa с архитектурой токеновой классификации; репозиторий содержит веса в формате safetensors. Модель рассчитана на выделение 54 типов чувствительных сущностей, включая имена, адреса, номера медицинских записей, финансовые и контактные данные. Для обработки текста можно использовать библиотеку Transformers. Размер по метаданным — 305,2 млн параметров, контекст — 514 токенов. Модель подходит для поиска чувствительных данных в клинических записях, медицинских документах и наборах данных, а также для подготовки текста к обезличиванию, аудиту и проверкам приватности. В README приведена оценка micro-F1 0,9524 на тестовой выборке из NVIDIA Nemotron-PII; качество различается по типам сущностей, а для некоторых категорий требуется дополнительная проверка. Модель предназначена для английского текста и должна использоваться как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-French-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных во французском тексте. Это дообученная на BAAI/bge-m3 модель семейства XLM-RoBERTa с архитектурой token classification и примерно 658,7 млн параметров; она принимает текст и размечает токены, выделяя 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские сведения и контактные данные. Модель рассчитана на обработку клинических записей, медицинских документов и других текстовых коллекций, где требуется находить данные для последующего обезличивания, подготовки исследовательских наборов или аудита приватности. В README приведён результат micro F1 0,9733 на французской части набора AI4Privacy PII Masking 400k. Поддерживается французский язык, длина контекста — 8194 токена; модель использует Transformers и формат safetensors. Модель может помочь в потоках обработки данных, связанных с GDPR и другими требованиями приватности, но её разметку следует проверять человеком: возможны пропуски, а качество может меняться в зависимости от терминологии и контекста. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-QwenMed-XLarge-600M-v1 — модель OpenMed для токенной классификации текста и обнаружения 54 типов персональных и чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Это дообученная на NVIDIA Nemotron-PII плотная модель архитектуры Qwen3ForTokenClassification с 507,6 млн параметров, контекстом до 32 768 токенов и форматом safetensors; для работы используется библиотека Transformers. Модель предназначена для поиска и последующего удаления или маскирования PII в клинических записях, медицинских документах и других текстовых коллекциях, а также для предварительной очистки наборов данных и аудита документов. В README приведён результат micro-F1 0,9124 на тестовой выборке Nemotron-PII. Основной язык — английский. Модель распространяется по лицензии Apache-2.0. Её выводы следует проверять человеком: возможны пропуски чувствительных данных, качество зависит от предметной области, а для ряда категорий точность ниже. README позиционирует модель как вспомогательный инструмент, а не замену проверке критически важных данных.

OpenMed-PII-Spanish-BioClinicalModern-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в испанском тексте. Это дообученная на задаче классификации токенов модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она принимает текст и размечает найденные сущности, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контакты и даты. Модель предназначена для обезличивания испанских клинических записей и документов, подготовки исследовательских наборов данных и аудита коллекций документов на наличие чувствительных сведений. В README сообщается о Micro F1 0,8796 на испанской части AI4Privacy; заявлены 54 типа сущностей. Модель обучалась на тексте без диакритических знаков, поэтому перед обработкой рекомендуется удалять акценты. Возможны пропуски сущностей и снижение качества на специализированной терминологии или других языках, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

Safety Classification — англоязычный классификатор безопасности текста, разработанный Locus Lab путём дообучения энкодерной модели Alibaba-NLP/gte-large-en-v1.5. Модель предназначена для присвоения тексту оценок безопасности и подходит для автоматической проверки пользовательских запросов или текстовых ответов. Модель использует архитектуру последовательной классификации и содержит 433,9 млн параметров. Она принимает текст, выдаёт метки или оценки классификации и поддерживает контекст до 8192 токенов. Для использования указаны Transformers и загрузка с trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Spark-X2.5-4B-Heretic-jp-GGUF — японская адаптация модели XHToken/Spark-X2.5-4B, опубликованная пользователем soyaakinohara. Модель прошла ослабление отказов с помощью Heretic, продолжительное предобучение на японских данных, японскую настройку инструкций и дополнительное обучение для вызова инструментов. Она предназначена для генерации текста, диалоговых и инструкционных сценариев на японском языке, а также для локального использования и задач с tool calling. Модель построена на архитектуре Spark2_5, содержит около 4,1 млрд параметров и поставляется в формате GGUF с вариантами точности BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M. В метаданных указан контекст до 1 048 576 токенов, однако в примерах локального запуска используется контекст 8192 токена. Модель относится к thinking-моделям: перед итоговым ответом она формирует блок рассуждений, поэтому рекомендуется выделять не менее 1024 токенов на генерацию. Поддерживаются японский и мультиязычный сценарии, а корректность сложных вызовов инструментов проверялась на японском наборе данных. Сильными сторонами являются специализация на японском языке, компактный размер, несколько вариантов квантизации, высокая заявленная скорость локальной генерации и поддержка tool calling. Ограничения включают необходимость специальной ветки llama.cpp с поддержкой архитектуры Spark, зависимость качества и скорости от выбранной квантизации и оборудования, а также отсутствие надёжного встроенного защитного слоя: модель является uncensored и может генерировать опасный, незаконный или иной нежелательный контент. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

google/tapas-base-finetuned-sqa — модель Google на архитектуре TAPAS, дообученная на наборе Sequential Question Answering (SQA) для ответов на вопросы по таблицам в диалоговом сценарии. Это модель на основе BERT с 136,7 млн параметров: она обрабатывает вопрос и сериализованное содержимое таблицы и выделяет ячейки, относящиеся к ответу. Базовое обучение включало masked language modeling и промежуточное обучение на синтетических примерах для рассуждений по табличным данным. В версии по умолчанию позиционные индексы сбрасываются для каждой ячейки таблицы; доступен также вариант no_reset с абсолютными позиционными индексами. Модель предназначена для ответов на вопросы на английском языке по структурированным таблицам и может использоваться в интерактивных системах, где пользователь уточняет запросы последовательно. В README для базовой версии без сброса позиций указана точность 0,6737 на dev-части SQA. Вход состоит из текста вопроса и таблицы; контекст модели в метаданных — 1024 токена. Модель выпущена под лицензией Apache-2.0. Оценка приведена для конкретного набора данных и не гарантирует аналогичного качества на других типах таблиц или запросов.

google/tapas-base-finetuned-tabfact — модель TAPAS, разработанная Google и дообученная на наборе TabFact для проверки утверждений по содержимому таблиц. Она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими; также может служить основой для табличных вопросов и ответов. Архитектура TAPAS построена на трансформере типа BERT и учитывает структуру таблиц. Модель содержит 136,7 млн параметров, доступна в форматах PyTorch и TensorFlow, а её контекст ограничен 1024 токенами. Модель предварительно обучалась на английских таблицах и связанном тексте с помощью masked language modeling и промежуточного обучения на примерах числового рассуждения, затем дообучалась на TabFact с классификационной головой. По умолчанию используется версия с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Вход включает предложение и сериализованную таблицу. Лицензия Apache 2.0.

TinyJev-0.6B — компактная модель AnkitAI для выбора и оценки предложенных вариантов по текстовому описанию состояния, обращения или записи. Она возвращает вероятности вариантов, заданных пользователем, вместо генерации свободного ответа: поддерживает выбор из списка, оценку истинности утверждения и оценку по упорядоченной шкале. Это позволяет использовать её для типизированных решений и передачи низкоуверенных случаев человеку или более крупной модели. В основе — плотная Qwen3-0.6B-Base примерно с 508 млн параметров; к ней добавлена pointer head для оценки вариантов. Модель дообучена на jaredpalmer/kev-suites, а при выводе применяется калибровочная температура. Она принимает текст и выдаёт оценки вероятностей. Контекст — до 32 768 токенов; README описывает запуск через MLX на Apple Silicon или PyTorch, в том числе офлайн. В README приведены результаты на наборах задач выбора и оценки уверенности, а также измерения задержки на Apple M1; эти результаты относятся к указанным тестам и конфигурациям. Автор предупреждает, что на структурированном числовом состоянии ответы могут слабо зависеть от входа, а игровая демонстрация включает отдельный маршрутизатор и обычный код. Лицензия — MIT.

Toxic Prompt RoBERTa 1.0 — модель классификации текста от Intel AI Safety для выявления токсичных пользовательских запросов и ответов в разговорных системах ИИ. Она основана на RoBERTa-base и дообучена на наборах ToxicChat и Jigsaw Unintended Bias с классификационной головой; в метаданных указаны 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт логиты для двух классов: «не токсично» и «токсично». Модель предназначена для автоматической модерации чатов, мониторинга пользовательских сообщений и фильтрации токсичного ввода или ответа перед передачей его генеративной системе. В карточке приведены результаты на тестовом наборе ToxicChat: F1 0,7869, точность 0,8315 и полнота 0,7469. Это англоязычная модель; результаты и анализ смещения в карточке не гарантируют одинакового качества на других данных и для всех групп пользователей. Лицензия — MIT.

Vasistha — текстовая генеративная модель, разработанная Pratham109 и дообученная на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Она построена на архитектуре Llama, имеет 3,2 млрд параметров и рассчитана на диалоговую генерацию текста; метаданные также указывают интерфейс вызова инструментов. Для модели заявлено контекстное окно до 131 072 токенов, а среди языковых тегов указан английский. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает специализацию дообучения или сравнительные результаты, поэтому пригодность для конкретных предметных задач не подтверждена.

xDecision — многоязычная модель структурированной оценки решений примерно на 322 млн параметров, разработанная автором репозитория mccoysc. Она дообучена на основе Laya Multilingual с энкодером mmBERT-base и объединяет компоненты этих моделей. Предназначена для классификации запросов с контекстом и кандидатами: выбора варианта, оценки истинности утверждения и выставления балла по упорядоченной шкале. Возвращает вероятности кандидатов и рекомендацию действовать или передать решение на эскалацию. Поддерживает многоязычный ввод; доступны веса Safetensors и GGUF F16/Q8_0, а для Apple Silicon — backend MLX. Лицензия Apache-2.0. Модель подходит для маршрутизации рабочих процессов, оценки утверждений и структурированной поддержки решений. В диагностической оценке точность составила 58,75% на типизированных задачах выбора и 34,40% на невиданных сценариях рабочего процесса; эти результаты относятся к указанным наборам и настройкам. Есть ошибки в оценке относительной пригодности вариантов, чувствительность к порядку фактов и расхождения между форматами вопросов. Требуется проверка на целевой области; высокорисковые решения должны проходить независимую проверку и рассмотрение человеком. GGUF сейчас не поддерживается llama.cpp и Ollama.

YanoljaNEXT-Rosetta-27B-2511 — языковая модель Yanolja NEXT на архитектуре Gemma 3, дообученная на базе google/gemma-3-27b-pt. Это плотная авторегрессионная модель с 28,3 млрд параметров, использующая компонент Gemma3ForCausalLM; она предназначена для перевода содержимого JSON, YAML и XML с сохранением исходной структуры. Модель работает с 32 языками, включая русский, английский, корейский, китайский и японский, и поддерживает контекст до 131 072 токенов. Модель подходит для локализации каталогов товаров, перевода отзывов об отелях и других структурированных многоязычных данных. В бенчмарке WMT24++ для перевода с английского на корейский указана оценка CHrF++ 37,21. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Лицензия — Gemma. Модель оптимизирована для структурированных данных: на обычном тексте и иных форматах качество может меняться. Иногда она может выдавать некорректную структуру, повторяющийся текст или неточный перевод.

Xenova/bert-base-NER — модель для распознавания именованных сущностей (NER), разработанная на основе dslim/bert-base-NER и адаптированная для работы в Transformers.js. Репозиторий содержит веса в формате ONNX, совместимые с JavaScript-библиотекой Transformers.js, что позволяет применять модель в веб-приложениях и других средах, поддерживающих этот стек. Модель предназначена для token classification: она анализирует текст и выделяет именованные сущности, например имена людей и географические названия. В README приведён пример обработки англоязычной фразы, однако полный набор поддерживаемых языков, размер модели, максимальная длина контекста и перечень типов сущностей не указаны. Ключевое преимущество модели — возможность запуска через Transformers.js с ONNX-весами. При этом сведения о точности, производительности, ограничениях, модальностях и требованиях к ресурсам отсутствуют. Указана лицензия MIT.

mtheo/camembert-base-xnli — копия модели BaptisteDoyen/camembert-base-xnli, дообученной на французской части набора XNLI. Это модель семейства CamemBERT с архитектурой классификатора последовательностей, содержащая 137,8 млн параметров и принимающая текст длиной до 514 токенов. Модель предназначена для классификации текста без заранее заданных обучающих примеров: она сопоставляет текст с предложенными категориями, используя подход zero-shot classification на основе NLI. Основной сценарий — французский язык; на тестовой части XNLI указана точность 81,7%. Модель распространяется по лицензии MIT. README сообщает, что репозиторий является копией исходной модели, страница которой ранее возвращала ошибку 404.

Это контрольная точка обучения с подкреплением для генерации кода, созданная исследовательской командой agurung на основе Qwen3-4B-Instruct-2507. Модель дообучали алгоритмом GRPO непосредственно от базовой модели, без этапа SFT; использовалась награда за прохождение тестов сгенерированной программой. Веса сохранены на шаге 72 обучения, контрольная точка показала лучший в этом запуске результат по pass@8. Модель предназначена для генерации программ в ответ на задачи, особенно для задач из набора cobalt-train, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст с кодом; максимальная длина контекста составляет 262 144 токена, а для генерации в обучении задавался предел 4096 новых токенов. Это экспериментальный чекпойнт конкретного запуска, поэтому метрики на указанном наборе задач не гарантируют качество на других задачах. Лицензия в предоставленных данных не описана.

CodeScout-4B — языковая модель OpenHands для поиска и локализации кода в репозиториях. Она дообучена методом обучения с подкреплением GSPO на базе Qwen3-4B-Instruct-2507 и содержит 3,7 млрд параметров. Модель принимает описание задачи или ошибки и помогает определить связанные с ней файлы, классы и функции в репозитории. Модель предназначена для работы как агент локализации в составе более крупной системы программирования. Она использует scaffold OpenHands-Bash с терминалом и стандартными Unix-командами, а также инструментом для структурированной отправки результата. В README приведены результаты на SWE-Bench и указаны контексты обучения до 40 тысяч токенов; метаданные модели указывают нативный контекст до 262 144 токенов. CodeScout-4B обучалась и оценивалась только на Python-репозиториях, поэтому её качество на других языках и репозиториях может отличаться. Она предназначена для локализации кода, а не его редактирования или полного решения задачи; для оптимальной работы требуется scaffold OpenHands-Bash. Модель распространяется по лицензии Apache-2.0.