I.14Автоматизация процессов и AI-агенты

hackshare/curtain-privacy — модель для локального обнаружения и редактирования персональных данных, разработанная авторами проекта Curtain Privacy. Она объединяет классификатор токенов на базе BERT с детерминированными распознавателями и слоем обратимых заменителей для диалогов. Модель предназначена для работы в браузере, Node.js, iOS и Android через ONNX и transformers.js. В репозитории доступны варианты curtain-small и curtain-tiny: основной вариант использует 12-слойный мультиязычный MiniLM и SentencePiece, компактный — 6-слойный MiniLM и WordPiece. Метаданные указывают 72 млн параметров и контекст до 512 токенов. Заявлена поддержка 24 языков с латинской письменностью; перечисленные коды карточки охватывают 22 языка. Лицензия — MIT. Модель подходит для выявления и маскирования PII непосредственно на устройстве, что помогает обрабатывать текст без обязательной отправки на сервер. Качество зависит от языка, формата и контекста данных; классификатор и набор детерминированных распознавателей не гарантируют обнаружение всех чувствительных сведений. README также рекомендует закреплять ревизию и проверять контрольную сумму распространяемых файлов.

Карточка модели droplychee/droplychee0170 на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Avnay/Food_not_food_classificer-distilbert-base-uncased — модель Avnay для классификации текста по категориям «еда» и «не еда». Она дообучена на базе distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель принимает текст и выдаёт метку класса; максимальная длина контекста — 512 токенов. Модель подходит для автоматической фильтрации и сортировки текстовых записей, связанных с едой. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке нет сведений о составе обучающих данных и результатах оценки качества.

Это GGUF-представление GLM-5.3 с изменёнными весами, которое уменьшает склонность модели отказывать в ответах. В README релиз назван CRACK и приписан dealignai; метаданные связывают модель с JANGQ-AI/GLM-5.3-FP8 и zai-org/GLM-5.3. Исходная модель — текстовая MoE-архитектура glm_moe_dsa на 753 млрд параметров; README указывает, что модификация затрагивает bf16 residual-writer тензоры, а эксперты FP8 оставлены без изменений. Модель предназначена для генерации текста общего назначения и многоязычных диалогов, в том числе сценариев, где требуется меньше отказов. В карточке приведены результаты тестов на знаниях и следовании вредоносным запросам, а также рекомендации по запуску через vLLM на нескольких GPU Hopper. Метаданные указывают лицензию MIT и формат GGUF. Практическое применение требует значительных вычислительных ресурсов. README описывает ограничения reasoning_effort, риск исчерпания токенов до выдачи ответа и ограничения на использование контекста до 1 млн токенов в упомянутом стеке vLLM. Модель снижает защитные отказы и может выдавать вредоносные инструкции; её ответы требуют осторожной проверки.

INF-Query-Aligner — специализированная языковая модель компании INFTech и компонент системы INF-X-Retriever. Она дообучена с помощью обучения с подкреплением на основе Qwen2.5-7B-Instruct и преобразует сложные, многословные или требующие рассуждений пользовательские запросы в краткие формулировки для плотного поиска по текстовым документам. Модель предназначена для подготовки поисковых запросов перед передачей в систему dense retrieval, в том числе при поиске по вопросам, требующим объединения сведений из нескольких документов. Архитектура — плотная авторегрессионная Qwen2; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Карточка ориентирована на английский язык. В README приводятся результаты всей системы INF-X-Retriever на бенчмарке BRIGHT; это не отдельная оценка качества данного компонента. Модель принимает текст и генерирует текстовый поисковый запрос длиной менее 200 слов. Указанная лицензия — Apache-2.0.

ersanbil разработившая модель ersanbil/kvkk-pii-ner предназначена для выявления персональных данных в турецком тексте в рамках соответствия KVKK. Это дообученная для BIO-разметки токенов модель BERT на основе dbmdz/bert-base-turkish-cased; она помечает имена людей, адреса, медицинские данные и специальные категории KVKK. Модель рассчитана на поиск сведений в свободном тексте, которые могут пропускать регулярные выражения, и используется как второй уровень гибридного конвейера kvkk-pii. Размер — 137,8 млн параметров, контекст — до 512 токенов; вход и выход представлены текстом с метками сущностей. В карточке сообщается о пятифолдовой перекрёстной проверке со средним F1 98,86% ± 0,19%. Модель обучена на синтетических данных; категория KVKK_SPECIAL представлена ограниченно, названия городов иногда ошибочно размечаются как имена людей, а полнота выявления медицинских сведений ниже на произвольном тексте, чем на структурированных формах. Указанная лицензия — Apache-2.0.

k-l-lambda/Llama-3.2-1B-vocab32k — вариант Llama 3.2 1B Instruct со словарём токенов, сокращённым с 128 256 до 32 256. Модель имеет плотную архитектуру LlamaForCausalLM и около 1,04 млрд параметров; для работы указана библиотека Transformers. Контекст модели — до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. В README также описано сопоставление ID токенов сокращённого словаря с исходным словарём с помощью таблиц индексов. Репозиторий содержит веса safetensors и распространяется по лицензии MIT. В карточке заявлены интерфейсы чата и вызова инструментов; качество этих возможностей отдельно не охарактеризовано.

Это мультимодальная модель Meta семейства Llama 3.2 Vision, опубликованная Unsloth в виде чекпойнта формата safetensors для Transformers. Она принимает изображения и текст и генерирует текстовые ответы; поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке указано, что основой служит meta-llama/Llama-3.2-90B-Vision-Instruct, поэтому этот репозиторий представляет собой её дообученную версию. Модель подходит для ответов на вопросы по изображениям, описания визуального содержимого и диалоговых сценариев, где текстовый запрос связан с изображением. В метаданных для языков карточки указан английский; исходная модель поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Контекстный размер в доступных данных не указан. Лицензия — Llama 3.2 Community License, пользовательская лицензия Meta; перед внедрением следует проверить её условия.

Jeevesh8/lp1e-3_ft_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_33 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. По названию и метаданным она основана на BERT-base-uncased и связана с дообучением на задаче MNLI; в карточке указаны Transformers, JAX и text-classification. Модель предназначена для классификации текстовых входов и может использоваться в пайплайнах, где требуется отнести текст к одному из заранее заданных классов. Она содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Данные о модальностях, поддерживаемых естественных языках и лицензии в доступных источниках не установлены. Возможны ограничения, связанные с доменом и данными дообучения; качество на прикладной задаче необходимо проверять отдельно.

FuriouslyAsleep выпустил дообученную на WebSRC модель MarkupLM Large для ответов на вопросы по веб-страницам. Она принимает текст вопроса вместе с текстом и HTML-разметкой страницы, используя структуру разметки для визуально насыщенных документов и извлечения ответов. Модель основана на архитектуре MarkupLMForQuestionAnswering, содержит 454,1 млн параметров и рассчитана на контекст до 514 токенов. Модель подходит для поиска ответов в содержимом веб-страниц и прототипирования систем вопросно-ответного поиска по структурированным документам. Дообучение выполнено на небольшой части WebSRC: использован один сайт для обучения, отдельный тестовый набор не задействован, поэтому качество на других сайтах может быть ограниченным. Автор отмечает, что пример запуска может не работать и требует специальной ветки Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

MM Grounding DINO Base — модель обнаружения объектов на изображениях, разработанная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection». Она предназначена для обнаружения объектов по текстовым описаниям без предварительной настройки под фиксированный набор классов. По сравнению с Grounding DINO в ней улучшена контрастивная голова классов и устранено совместное использование параметров декодером; в README сообщается о результатах на COCO и LVIS. Модель обучалась на наборах Objects365, GOLD-G, V3Det, COCO, LVIS, GRIT и RefCOCO. Репозиторий использует архитектуру MM Grounding DINO и формат safetensors; библиотека запуска — Transformers. Модель принимает изображение и текстовый запрос с названиями или описаниями объектов, а выдаёт найденные объекты с рамками и оценками. Она подходит для поиска объектов по произвольным текстовым категориям и для прототипирования систем визуального поиска. Данные карточки не уточняют размер чекпойнта и поддерживаемые языки запросов. Лицензия Apache-2.0.

flowxai/moderation — многометочная модель классификации текста для библиотеки flowx-border, разработанная Flowx AI. Она проверяет текст на входе и выходе LLM и возвращает решение с записью доказательств для аудита. Модель основана на FacebookAI/xlm-roberta-base, имеет архитектуру XLM-RoBERTa с классификационной головой и 305,2 млн параметров; экспортирована в ONNX. Обучающее окно составляет 96 токенов, хотя нативный контекст базовой модели — 514 токенов. Детектор распознаёт 12 категорий: кибервторжения, клевету, вмешательство в выборы, экстремизм, мошенничество, разжигание ненависти, запрещённые наркотики, имущественные преступления, самоповреждение, сексуальную эксплуатацию, содействие насилию и оружие массового поражения. Категория безопасности детей отсутствует и должна считаться недоступной, а не безопасной. Модель предназначена для политики библиотеки и не является универсальным модератором. README рекомендует использовать библиотеку, которая применяет порог и обработку длинных текстов; при прямом запуске ONNX эти настройки нужно реализовать самостоятельно. В карточке приведены результаты по языкам и категориям; обучение основано на синтетических данных, поэтому реальные тексты могут отличаться от обучающего распределения. Для входов длиннее 96 токенов требуется разбиение на части и объединение результатов. Модель распространяется по лицензии Apache-2.0.

uwe311/Nemotron-Mini-4B-Instruct-heretic — англоязычная версия NVIDIA Nemotron-Mini-4B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. Это плотная авторегрессионная Transformer-модель с 4,3 млрд параметров, поддерживающая диалоговую генерацию текста и контекст до 4096 токенов. В README приведено сравнение: доля отказов снизилась со 100 из 100 у исходной модели до 10 из 100 у этой версии; указанная KL-дивергенция относительно оригинала — 0,0568. Модель подходит для ролевых диалогов, ответов на вопросы по документам в RAG-системах и генерации ответов в приложениях, где нужно меньше отказов. README описывает базовую модель как оптимизированную для скорости и развёртывания на устройствах и упоминает применение в игровых сценариях NVIDIA ACE. Рекомендуется использовать исходный шаблон диалога; без него качество может снижаться. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и условиях NVIDIA.

OmDet-Turbo Swin-Tiny — модель обнаружения объектов с открытым словарём, разработанная Om AI Lab и описанная в работе Tiancheng Zhao, Peng Liu, Xuan He, Lu Zhang и Kyusong Lee «Real-time Transformer-based Open-Vocabulary Detection with Efficient Fusion Head». Она предназначена для zero-shot-обнаружения объектов на изображениях по текстовым запросам и категориям, в том числе с разными наборами текстовых классов для изображений в одном пакете. Модель использует архитектуру OmDet-Turbo и представлена в формате safetensors. Она принимает изображения и текстовые запросы, а выдаёт обнаруженные объекты с соответствующими метками и рамками. Репозиторий распространяется по лицензии Apache-2.0.

OpenMed-PII-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных и чувствительных данных в тексте. Это дообученная на NVIDIA Nemotron-PII модель токенной классификации на базе openmedscience/BioClinical-ModernBERT-base: архитектура ModernBERT, 149 млн параметров, контекст до 8192 токенов. Модель предназначена для выявления 54 типов сущностей, включая имена, адреса, номера документов и медицинских записей, контактные и финансовые данные, чтобы находить чувствительную информацию в клинических заметках и документах, поддерживать обезличивание и подготовку наборов данных. В README приведён результат micro F1 0,9509 на тестовой выборке из 2000 примеров Nemotron-PII. Модель работает с текстом на английском языке и выдаёт метки сущностей для фрагментов текста. Возможны пропуски чувствительных данных, а качество зависит от предметной лексики; особенно сложные категории требуют проверки. README рекомендует использовать модель как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.

OpenMed-PII-ClinicalE5-Small-33M-v1 — англоязычная модель OpenMed для поиска и классификации персональных и медицинских идентификаторов в тексте. Она построена на архитектуре BERT и дообучена на базе intfloat/e5-small-v2 для задачи token classification; метаданные указывают 40 млн параметров, формат safetensors и контекст до 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, номера медицинских записей, контактные и финансовые данные. Модель предназначена для обезличивания клинических заметок и документов, предварительной очистки наборов данных и аудита текстовых коллекций на наличие чувствительной информации. В README указана оценка micro F1 0,9306 на тестовой выборке NVIDIA Nemotron-PII; качество различается между категориями, а для отдельных типов, например профессий и налоговых идентификаторов, оно заметно ниже. Модель рассчитана преимущественно на английский текст и должна использоваться как вспомогательное средство с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-French-BigMed-Large-560M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных во французском тексте. Это дообученная на основе FacebookAI/xlm-roberta-large модель XLM-RoBERTa для токен-классификации с 658,7 млн параметров и контекстом до 514 токенов. Она размечает 54 типа сущностей, включая имена, адреса, контактные и финансовые данные, идентификаторы и медицинскую информацию. Модель предназначена для поиска PII в клинических записях и документах, подготовки наборов данных к исследованию, деидентификации и аудита документов. В README приведён результат F1 0,9733 на французской части набора AI4Privacy; модель может помогать в рабочих конвейерах обработки документов и соблюдении требований приватности. Модель принимает текст и выдаёт метки токенов с границами обнаруженных сущностей. Она оптимизирована для французского языка: качество на других языках и специализированной терминологии может снижаться. Возможны пропуски чувствительных данных, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

Карточка модели kranushealth/OpenMed-PII-German-SuperClinical-Large-434M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-German-SuperClinical-Large-434M-v1, поэтому описание составлено по ней. OpenMed разработала OpenMed-PII-German-SuperClinical-Large-434M-v1 — модель разметки токенов на базе DeBERTa V3 Large, дообученную для обнаружения и классификации персональных и других чувствительных данных в немецком тексте. Она распознаёт 54 типа сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для обезличивания клинических записей и документов, подготовки исследовательских наборов данных и поиска чувствительной информации при аудите. В README указана оценка F1 0,9761 на немецкой части набора AI4Privacy PII Masking 400k. Модель имеет 533,8 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и выдаёт метки сущностей для токенов в формате BIO. Она оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Авторы предупреждают, что модель может пропускать персональные данные и рекомендуют проверять результаты человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalModern-Base-149M-v1 — модель OpenMed для поиска и классификации персональных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель ModernBERT с 149 млн параметров; она принимает текст и присваивает токенам BIO-метки для 54 типов чувствительной информации, включая имена, адреса, контактные, финансовые и медицинские сведения. Родительская модель — thomas-sounack/BioClinical-ModernBERT-base. Модель предназначена для выявления PII в клинических заметках, медицинских записях и других документах, чтобы поддерживать обезличивание данных, подготовку наборов для исследований и проверку коллекций документов. В README приведён результат micro-F1 0,9395 на итальянской части набора AI4Privacy; контекст составляет до 8192 токенов. Для критичных сценариев требуется проверка человеком: модель может пропускать персональные данные, её качество зависит от терминологии и оптимизировано для итальянского языка. Распространяется по лицензии Apache-2.0.

OpenMed-PII-NomicMed-Large-395M-v1 — англоязычная модель OpenMed для поиска и классификации персональных и чувствительных данных в тексте. Это дообученная модель ModernBERT с архитектурой токеновой классификации, содержащая 394,7 млн параметров и поддерживающая контекст до 8192 токенов. Она размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские номера. Модель предназначена для обнаружения PII в клинических записях и документах, подготовки данных к обезличиванию, аудита коллекций и поддержки процессов соблюдения требований конфиденциальности. В README приведён результат micro F1 0,9569 на тестовой выборке из NVIDIA Nemotron-PII; для отдельных типов сущностей качество различается, а для некоторых категорий оно ниже. Модель обучена преимущественно на английском тексте, поэтому её применение к другим языкам требует отдельной проверки. Лицензия — Apache-2.0. Модель следует использовать как вспомогательный инструмент с проверкой результатов человеком: она может пропускать чувствительные данные, а качество зависит от предметной области.

OpenMed разработала OpenMed-PII-Portuguese-BigMed-Large-560M-v1 — модель на базе XLM-RoBERTa Large, дообученную для поиска и классификации персональных данных в португальском тексте. Она размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Число параметров по метаданным — 658,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для выявления PII в медицинских записях и документах, автоматизированного обезличивания, проверки коллекций документов и подготовки данных к исследованиям. В README приведён результат micro F1 0,8848 на португальском тестовом наборе AI4Privacy и синтетических данных; заявлены примеры с бразильскими форматами, включая CPF, телефоны с кодом +55 и валюту R$. Модель оптимизирована для португальского и может хуже работать на других языках или специализированной терминологии; пропуски чувствительных данных требуют проверки человеком. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ar-pl — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит арабский текст на польский; в карточке перечислены арабский и египетский арабский как источники, а также нормализация и токенизация SentencePiece с словарём spm32k. Модель содержит 58,4 млн параметров, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и TensorFlow. Модель подходит для перевода коротких сообщений, пользовательских текстов и материалов с арабского на польский. В README приведён результат BLEU 38,0 на Tatoeba-test.ara.pol. Лицензия Apache-2.0 разрешает использование в соответствии с её условиями. Оценка на указанном тестовом наборе не гарантирует такое же качество для других жанров и предметных областей.

Helsinki-NLP/opus-mt-de-da — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на датский и предназначена для автоматического перевода отдельных текстов и интеграции в переводческие конвейеры. Модель построена на архитектуре MarianMT с трансформером; использует нормализацию и токенизацию SentencePiece. В ней 54,4 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch и TensorFlow. Для набора Tatoeba.de.da в карточке приведены оценки BLEU 57,2 и chr-F 0,730. Модель распространяется по лицензии Apache-2.0. Она специализирована на направлении немецкий → датский; показатели на одном тестовом наборе не гарантируют такое же качество на других тематиках и текстах.

Helsinki-NLP/opus-mt-en-eu — модель машинного перевода из проекта OPUS, разработанная Helsinki-NLP. Она переводит текст с английского языка на баскский. Модель построена на архитектуре Transformer-align; в метаданных указано 55 млн параметров и контекстное окно 512 токенов. Перед переводом применяется нормализация и токенизация SentencePiece с моделями словаря размером 32 тыс. Тестовые результаты на Tatoeba-test.eng.eus составляют BLEU 31,8 и chr-F 0,590. Модель подходит для перевода отдельных текстов и интеграции в конвейеры машинного перевода. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель предназначена для направления английский → баскский; результаты могут зависеть от тематики и качества исходного текста.

Helsinki-NLP/opus-mt-fi-de — модель машинного перевода из семейства Marian, разработанная проектом OPUS. Она переводит текст с финского языка на немецкий и предназначена для автоматического перевода текстов и интеграции в переводческие конвейеры. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece. В ней 55,6 млн параметров, родной контекст — 512 токенов. В README приведён результат 45,2 BLEU и 0,637 chr-F на тестовом наборе Tatoeba.fi.de. Модель поддерживает только направление финский → немецкий. Указана лицензия Apache-2.0.

zeromodels/owlvit-base-patch32 — это преобразованная в Keras 3 версия модели OWL-ViT от Google для обнаружения объектов по свободным текстовым запросам. Модель использует визуальный и текстовый энкодеры в стиле CLIP, формирует кандидаты обнаружения для патчей изображения и оценивает их сходство с текстовыми запросами. Реализация работает с TensorFlow, Torch и JAX. Модель предназначена для поиска и локализации объектов на изображениях без заранее заданного списка классов: достаточно передать текстовые описания искомых объектов. Порог обнаружения для открытого словаря обычно ниже, чем у детекторов с фиксированными классами. Модель распространяется по лицензии Apache 2.0.

AXONVERTEX-AI-RESEARCH/qwen2.5-0.5b-pii-anonymizer — дообученная модель на основе Qwen/Qwen2.5-0.5B-Instruct для контекстной анонимизации персональных данных. Она переписывает текст, заменяя PII реалистичными синтетическими данными и стараясь сохранять грамматику, форматирование, тон и смысл. Модель рассчитана на обработку документов, переписки и записей с персональными данными; заявлена поддержка более 55 категорий PII в корпоративных, медицинских, финансовых и разговорных сценариях. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она принимает и генерирует текст, обучена с QLoRA на наборах Nemotron-PII и ai4privacy/pii-masking-200k. В карточке указаны английский, французский, немецкий и итальянский языки, при этом качество лучше всего для английского. Лицензия обозначена как other; README запрещает коммерческое использование без одобрения AI4Privacy, поэтому перед применением необходимо проверить условия лицензии. Модель может создавать читаемые обезличенные данные, сохраняя полезность документов для анализа и тестирования. Среди ограничений — пропуски персональных данных, чрезмерная замена обычных слов, иногда неподходящий формат синтетических идентификаторов, редкие артефакты и недетерминированные результаты. README указывает, что это первая фаза конвейера, и не рекомендует использовать её как единственную меру обеспечения соответствия требованиям приватности.

Qwen3-4B Guardrails Embedding v1 — текстовая модель эмбеддингов, дообученная в проекте SJSU Guardrails на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения нормативных документов в RAG-системах, связанных с управлением ИИ и соблюдением требований. Модель используют как источник проверочных фрагментов для дискуссий нескольких агентов и поиска по EU AI Act, рамкам NIST и нормативам кибербезопасности. Модель построена на архитектуре Qwen3 с decoder-only трансформером и pooling по последнему токену; размер — 3,7 млрд параметров, размерность эмбеддинга — 2560, контекст — до 40 960 токенов. README сообщает высокие значения recall@1 и MRR на тесте с четырьмя кандидатами, однако оценка проводилась на ограниченном наборе из 864 примеров и не характеризует качество на более широких пулах или иных предметных областях. Для запросов требуется использовать инструкционный префикс, а фрагменты документов кодируются без него. Модель не предназначена для генерации текста, общей семантической близости или самостоятельной классификации. Лицензия — Apache-2.0.

Qwen3-4B-Instruct-RETA — экспериментальная защитная версия языковой модели Qwen3, разработанная для повышения устойчивости LLM-агентов к косвенным атакам prompt injection. Она построена на Qwen/Qwen3-4B-Instruct-2507 с применением промежуточного обучения с подкреплением и последующей дистилляции на собственных ответах модели. Модель предназначена для диалоговых сценариев с инструментами: она должна распознавать внедрённые в ответы инструментов вредоносные инструкции, игнорировать их и продолжать выполнять исходную задачу пользователя. В README сообщается об оценке защиты от прямых и адаптивных атак на наборах AgentDojo и Agent Security Bench. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3, формат safetensors и контекст до 262 144 токенов; заявленный язык — английский. Для работы с инструментами предусмотрен специальный системный промпт, а вызовы инструментов выводятся в тексте, а не через поле tool_calls API. Это исследовательский артефакт, лицензированный по Apache-2.0. Устойчивость не означает полной защиты: адаптивным атакующим с достаточным бюджетом удаются некоторые атаки. Проверена только версия на 4 млрд параметров, поведение при существенно отличающемся системном промпте не охарактеризовано; автор рекомендует сочетать модель с обычными мерами ограничения доступа инструментов и подтверждением важных действий.

Reka Edge — компактная мультимодальная модель на 7 млрд параметров от Reka AI для анализа изображений и видео с генерацией текстовых ответов. Она построена на плотной архитектуре Yasa2 и работает через Transformers; для загрузки требуется включить trust_remote_code из-за пользовательской реализации архитектуры. Модель предназначена для визуальных вопросов и ответов, анализа видео, обнаружения объектов по текстовому запросу и сценариев с использованием инструментов. Также поддерживает текстовые запросы без изображения. Разработчик заявляет о высокой скорости и экономном использовании токенов; в README приведены результаты бенчмарков по VQA, видеоанализу, обнаружению объектов и использованию инструментов. Модель не поддерживает reasoning. Для локального запуска указаны требования от 24 ГБ памяти, а квантование позволяет использовать её на устройствах с меньшими ресурсами. Весами можно пользоваться коммерчески при годовой выручке менее 1 млн долларов США; это ограничение лицензии следует учитывать при внедрении. Для macOS в README рекомендована версия Transformers 4.57.3: другие версии могут вызывать ошибки загрузки или некорректную работу.