I.14Автоматизация процессов и AI-агенты

OpenMed-PII-ModernMed-Large-395M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученный энкодер ModernBERT-large с архитектурой ModernBertForTokenClassification, примерно 394,7 млн параметров и контекстом до 8192 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения; она обучена на NVIDIA Nemotron-PII и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, документов и наборов данных, а также для поддержки аудита конфиденциальности. В README сообщается о micro-F1 0,9579 на тестовой выборке из 2000 примеров. Модель рассчитана прежде всего на английский текст; качество зависит от категории сущностей и предметной области, а некоторые сведения она может пропустить. Авторы рекомендуют использовать её как вспомогательный инструмент с проверкой человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-ClinicalBGE-Large-335M-v1 — модель OpenMed на базе BERT, дообученная для обнаружения и классификации персональных данных в испанском тексте. Она размечает токены, выделяя 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для обезличивания клинических заметок, медицинских документов и других испаноязычных материалов, а также для подготовки данных к исследованиям и аудита коллекций документов. В README указана оценка micro F1 0,9162 на испанской части набора AI4Privacy. Для лучшей работы автор рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для переноса найденных сущностей на исходный текст. Модель обучена на испанском подмножестве AI4Privacy PII Masking 400k и основана на BAAI/bge-large-en-v1.5. Несмотря на англоязычную базовую модель, карточка позиционирует дообученный вариант для испанского языка. Возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии; для важных сценариев нужна проверка человеком. Лицензия — Apache-2.0.

OpenMed-PII-SuperMedical-Base-125M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токенной классификации RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель распространяется в формате Safetensors и предназначена для запуска через Transformers. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные и финансовые данные. Она подходит для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В README приведён результат micro F1 0,9557 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей. Модель рассчитана прежде всего на английский текст. Некоторые категории могут распознаваться хуже, а пропуски чувствительных данных возможны, поэтому для важных сценариев нужна проверка человеком. Лицензия — Apache 2.0.

Helsinki-NLP/opus-mt-pl-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с польского языка на испанский и предназначена для интеграции в системы перевода и обработки многоязычных текстов. Модель основана на архитектуре Marian Transformer (MarianMTModel), содержит 55,7 млн параметров и использует нормализацию текста и токенизацию SentencePiece. В README приведены результаты на тесте Tatoeba.pl.es: BLEU 46,9 и chr-F 0,654. Метаданные указывают контекст до 512 токенов и форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она специализирована на направлении польский → испанский; качество для других языковых пар не подтверждено.

OpenVoiceOS разработала мультиязычный классификатор пользовательских намерений для платформы OpenVoiceOS. Он сопоставляет фразу одному из 210 меток намерений, используемых конвейером OVOS m2v, и предназначен для маршрутизации команд голосового помощника, например управления устройствами умного дома. Модель использует статические эмбеддинги Model2Vec размерности 128, полученные дистилляцией multilingual-e5-small, и классификационную голову, обученную на 284 687 примерах из 54 локалей. При работе она ищет векторы и усредняет их, поэтому для инференса не требуется запускать нейронную сеть, а модель подходит для CPU. В README указана точность 0,9943 на отложенной выборке; качество по отдельным языкам зависит от объёма тестовых данных. Модель предназначена для классификации намерений в OpenVoiceOS и может служить языковым резервным вариантом там, где нет отдельной монолингвальной модели. Для устройств только с английским языком README рекомендует более компактную англоязычную модель. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-risky-financial-advice-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Reason-Rewriter — диалоговая языковая модель для переписывания запросов в задачах поиска по документам, требующих сложных рассуждений. Модель разработана на основе Qwen2.5-7B-Instruct и дообучена для преобразования запросов в более подходящую для поиска форму. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы, выдавая переписанный текст. Заявленный контекст — 32 768 токенов. Карточка указывает английский язык; лицензия — Apache 2.0.

Модель victorbarra/rf_detr_finetuned_mobile_ui — дообученная версия Roboflow/rf-detr-medium для обнаружения объектов на изображениях. По названию и метрикам оценки она предназначена для мобильных пользовательских интерфейсов; среди категорий оценки упомянуты группы элементов, изображения, прямоугольники и текст. Архитектура RF-DETR Medium использует трансформер для локализации объектов и предсказания их категорий. В README приведены метрики на оценочном наборе: mAP 0,2168 и mAP@50 0,3333. Набор данных обозначен как неизвестный, поэтому эти результаты не позволяют судить о качестве на конкретных приложениях или типах экранов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Это модель распознавания именованных сущностей на основе RoBERTa, дообученная проектом T-NER на обучающей части TweetNER7 (train_all). Она размечает в тексте упоминания людей, организаций, творческих работ, событий, групп, мест и продуктов; предназначена прежде всего для анализа подготовленных твитов и извлечения сущностей из сообщений социальных сетей. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForTokenClassification и принимает последовательности текста с контекстом до 514 токенов. В тестировании TweetNER7 за 2021 год micro F1 составил 0,652; качество различается по категориям: лучше всего распознаются люди (F1 0,838), слабее — творческие работы (0,466), события (0,467) и корпорации (0,517). Для корректной обработки твитов следует учитывать предобработку TweetNER7, где имена аккаунтов и URL преобразованы в специальные форматы. Лицензия в предоставленных данных не указана.

LobnaSellami7/SC_16bit_merged_ready_final_finetuned_model — дообученная авторами LobnaSellami7 диалоговая языковая модель семейства Llama на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 7,5 млрд параметров; для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на вопросы и общения на английском языке. Метаданные указывают контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специализацию дообучения или оценки качества, поэтому пригодность для конкретных предметных задач не подтверждена.

Goodmotion/spam-mail-classifier — модель классификации текста, дообученная на базе microsoft/Multilingual-MiniLM-L12-H384 для определения, является ли тема письма спамом или обычным сообщением. Она выдаёт один из двух классов: SPAM или NOSPAM. Модель построена на архитектуре BERT для классификации последовательностей, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для фильтрации спама по темам электронных писем и может использоваться в почтовых фильтрах или для первичной сортировки входящих сообщений. Карточка заявляет поддержку нескольких языков. Модель распространяется под лицензией Apache-2.0.

Классификатор намерений Tɛkyerɛma от Prince Nasamu Alhassan. Это дообученная на AfroXLMR-base модель XLM-RoBERTa с архитектурой sequence classification и примерно 305 млн параметров; она принимает текст команд и относит его к намерениям. Модель предназначена для быстрого выбора маршрута обработки голосовых команд на языках Ганы, включая Twi, Ewe и Hausa, без предварительного перевода. Указанная в карточке точность составляет 0,855 для Twi, 0,780 для Ewe и 0,975 для Hausa; длина контекста — 514 токенов. Это быстрый классификатор в семействе моделей голосового агента, а не распознаватель речи: на вход ему подают текст, например результат ASR. Оценка проводилась на текстовых и машинно переведённых примерах, а не на записях реальных команд, поэтому качество в полевых условиях и при переключении языков может отличаться. Автор характеризует модель как исследовательскую работу с хакатона, без поддержки продукта. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Многоязычный классификатор токсичности текста, разработанный TextDetox на основе CardiffNLP twitter-xlm-roberta-large-2022. Модель дообучена для бинарной классификации токсичности и принимает текст, выдавая метку класса и оценку для входного текста. Модель охватывает 15 языков. В карточке приведены результаты F1 для английского (0,9071), русского (0,9022) и украинского (0,9075). Архитектура — XLM-RoBERTa Large для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель распространяется в формате safetensors и использует лицензию OpenRAIL++.

VisualHeist-base — модель компьютерного зрения для извлечения таблиц и иллюстраций из страниц PDF-статей. Её разработали на основе контрольных точек Microsoft Florence-2; модель дообучена на 3 435 иллюстрациях и 1 716 таблицах из 110 научных статей с вручную размеченными рамками объектов. Версия base содержит 0,23 млрд параметров и рекомендована для систем с ограниченной оперативной памятью. Модель принимает изображение одной страницы статьи и выдаёт текстовое описание с разметкой обнаруженных объектов, позволяющее выделить таблицы и фигуры для последующего сохранения в виде отдельных изображений. Она предназначена для автоматизации разбора научных PDF, в том числе публикаций по химии, материаловедению, биологии и смежным областям. В метаданных указана архитектура Florence-2 и задача image-text-to-text; репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT. Оценки F1 в README приведены для версии visualheist-large, поэтому их нельзя напрямую считать результатами base. Модель обучена на статьях и страницах документов; её применимость к другим типам изображений не установлена.

WebGLM — модель генерации ответов на вопросы, разработанная командой THUDM и предназначенная для системы поиска и ответов на вопросы с использованием веб-источников. Репозиторий содержит компонент Bootstrap Generator, который формирует ответы на основе GLM и найденных материалов. В описании системы также представлены модуль поиска релевантного веб-контента и оценщик ответов с учётом предпочтений людей. Модель основана на плотной архитектуре GLM и имеет 13,1 млрд параметров. Она принимает текст и выдаёт текст; карточка указывает английский язык. WebGLM предназначена для создания уточнённых ответов с опорой на поиск и извлечение веб-материалов. Лицензия в предоставленных данных не указана.

Модель heidercs/xlmroberta-cv-chunked — дообученная XLM-RoBERTa Base для классификации резюме на испанском языке по 43 профессиональным категориям. Она принимает текст документа и выдаёт категорию с оценкой уверенности. Обучение проводилось на фрагментах по 512 токенов с перекрытием 64 токена, однако при обработке документа используется только первый фрагмент длиной до 512 токенов; архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров. На тесте из 2 681 документа указаны accuracy 83,4% и macro-F1 0,826. Для быстрого маршрута без дополнительной проверки автор рекомендует порог уверенности 0,80: при таком пороге напрямую обрабатывались 84,5% тестовых примеров с точностью 92,0%. Модель подходит для первичной сортировки резюме по профессиональным направлениям, но длинные документы обрезаются после первого фрагмента, что может снизить точность. Обучающие данные основаны на общедоступном корпусе англоязычных резюме, переведённом на испанский; точная лицензия исходного корпуса зависит от его опубликованных условий. Лицензия модели указана как other.

Auralis — модель синтеза речи, разработанная AstraMind.ai на основе Coqui XTTS-v2. Она преобразует текст в речь для создания аудиокниг, диалогов, подкастов и озвучивания приложений, поддерживает потоковую генерацию длинных текстов и клонирование голоса по короткому аудиофрагменту. В карточке заявлены параллельная обработка запросов и работа на потребительских и производительных GPU; для RTX 3090 указаны ориентиры по скорости и потреблению видеопамяти, которые могут зависеть от сценария и оборудования. Модель поддерживает английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский (упрощённый), венгерский, корейский, японский и хинди. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache 2.0, однако для компонентов базовой XTTS-v2 карточка отдельно ссылается на лицензию Coqui AI; условия использования производной модели следует проверять с учётом обеих лицензий.

YanoljaNEXT-Rosetta-4B-2510 — языковая модель Yanolja NEXT, дообученная на базе google/gemma-3-4b-pt для перевода. Это плотная авторегрессионная модель с архитектурой Gemma 3 и 4 млрд параметров; для работы с текстом используется компонент Gemma3ForCausalLM. Контекст модели составляет до 131 072 токенов. Модель предназначена прежде всего для перевода структурированных данных в формате JSON с сохранением исходной структуры. Она подходит для локализации товарных каталогов и перевода отзывов об отелях. Обучение проводилось на синтетических многоязычных переводах, созданных на основе корпусов FineWeb Edu и FineWeb2. Заявлена поддержка 32 языков, включая русский и английский; в README приведён результат CHrF++ 35,09 для перевода с английского на корейский по WMT24++. Основное ограничение — оптимизация под JSON: качество на обычном тексте и других форматах может меняться, а модель иногда выдаёт некорректный JSON, повторяющийся текст или неточный перевод. Модель распространяется по лицензии Gemma.

Многоязычная модель распознавания именованных сущностей в строках аффилиаций научных статей и проектов. Её разработали SIRIS Lab, LaSTUS Lab и Институт информатики Польской академии наук; модель дообучена для классификации токенов на основе SIRIS-Lab/affilgood-affilxlm, построенной на XLM-RoBERTa-base. Она выделяет названия организаций и подразделений, города, страны, адреса, почтовые индексы и регионы, а также подорганизации, например самостоятельные лаборатории внутри более крупных учреждений. Модель предназначена для структурирования неформатированных аффилиаций и последующей геолокации учреждений, связывания с реестрами, анализа организационных иерархий и построения графов знаний. В карточке описана обучающая выборка из 6 595 размеченных строк на разных языках и оценка на отложенной части набора: общий F1 со строгим совпадением границ и типов сущностей составляет 0,921. Модель основана на XLM-RoBERTa, содержит около 305 млн параметров и имеет контекст длиной 514 токенов. Модель лучше подходит для аффилиаций научных организаций, чем для произвольного текста; качество на иных типах текста не заявлено. Авторы отмечают, что смещения и токсичность отдельно не оценивались. Лицензия — Apache 2.0.

african-speech-id — модель для определения языка африканской речи, разработанная авторами репозитория AfriSpeech. Она распознаёт речь с помощью облегчённой версии Omnilingual ASR, затем классифицирует полученный текст по одному из 1 386 языков. Классификатор — линейная модель по символьным n-граммам с TF-IDF, встроенным в граф ONNX; распознавание и классификация рассчитаны на работу на CPU, в том числе на телефонах и ноутбуках. Модель предназначена для автоматического определения языка в аудиозаписях, особенно для малоресурсных африканских языков. Для устойчивого результата рекомендуется подавать не менее пяти секунд речи, оптимально около десяти; тишина снижает полезную длительность фрагмента. На тестах для 104 языков модель показала суммарную точность 0,474, но результаты зависят от набора данных: на FLEURS для 17 распространённых языков MMS-LID работает лучше. Классификатор всегда выбирает один из известных ему языков, даже если речь относится к языку вне списка; для отсева сомнительных результатов авторы рекомендуют смотреть на разницу между двумя верхними оценками, а не на небольшие значения softmax. Диалекты отдельно не различаются. Обучающие записи — религиозная речь, поэтому точность на разговорных аудио может быть ниже. Независимо оценены только 104 из 1 386 языков. Репозиторий содержит ONNX-модель и распознаватель речи Meta Omnilingual ASR; заявлена лицензия Apache-2.0.

categorai23cats — дообученная модель DistilBERT для классификации текстов по 23 категориям. Она основана на distilbert-base-uncased и предназначена для присвоения тексту категории в сценариях, где набор классов заранее определён. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. В README указаны результаты оценки: accuracy 0,7426 и loss 1,6794. Названия категорий и данные о наборе обучения не приведены, поэтому применимость к конкретной тематике неясна. Модель распространяется по лицензии Apache-2.0.

SIRIS-Lab/citation-parser-SPAN — модель для разметки токенов, предназначенная для выделения и разбора элементов библиографических цитат. По идентификатору модели она ориентирована на обработку ссылок и цитирований в научных текстах, например на извлечение отдельных компонентов цитаты для последующего структурирования библиографии. Разработчик в доступных данных не указан. Модель построена на архитектуре DeBERTa-v2 и использует библиотеку Transformers. Она содержит около 211,6 млн параметров и поддерживает контекст длиной до 512 токенов. Основная модальность — текст; языки в метаданных и README не определены. Лицензия также не указана, поэтому условия распространения и коммерческого использования следует уточнить на странице модели.

Deem-4B — языковая модель на 4 млрд параметров от Eschatia Labs и Mert Kaya для классификации, маршрутизации и выбора решения с оценками вероятности. Она дообучена с помощью LoRA на InternLM/Intern-Decision-4B и предназначена для локального запуска; исходная реализация использует Transformers, также доступны сборки GGUF. Модель принимает текст и поддерживает контекст до 8 тысяч токенов. Основной язык — английский; при обучении использовались также турецкий и немецкий данные. В карточке указаны точность 94,7% и Brier score 0,091 на отложенных англоязычных решениях из того же конвейера данных, что и обучающая выборка. Эти показатели не гарантируют аналогичного качества на пользовательских данных. Модель может выдавать вероятности вариантов решения и предназначена для задач вроде сортировки запросов, проверки условий и первичной маршрутизации. Ограничения: длинный нерелевантный текст и вычисления с датами снижают качество; инструкции, встроенные в исходный текст, иногда меняют ответы. Перед использованием порогов уверенности рекомендуется заново откалибровать вероятности на собственных данных, а значимые решения проверять отдельно. Лицензия — Apache-2.0.

chiba/distilbert-base-japanese_test — модель на базе DistilBERT для задач question answering, опубликованная пользователем или организацией chiba на Hugging Face. Карточка модели отсутствует, поэтому дополнительные сведения о разработчике, обучающих данных и лицензии не подтверждены. Модель предназначена для извлечения ответов на вопросы из предоставленного контекста на японском языке. Она использует архитектуру DistilBERT, работает через библиотеку Transformers с PyTorch и поддерживает контекст длиной до 512 токенов. Модель не является генеративной системой общего назначения и не предназначена для свободного диалога или создания длинных текстов.

Модель leomaurodesenv/distilbert-base-uncased-nvidia-aegis-v2-augmented — дообученная англоязычная DistilBERT для классификации текста. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В метаданных указана библиотека Transformers и формат весов safetensors. Модель подходит для задач классификации текстов. В README приведены результаты оценки: loss 0,2818 и accuracy 0,8756; датасет и назначение классов не описаны, поэтому интерпретировать эти показатели для конкретных сценариев нельзя. Модель распространяется по лицензии Apache-2.0.

SamMikaelson/Hermes3 — дообученная языковая модель семейства Llama на базе unsloth/llama-3.2-1b-instruct-unsloth-bnb-4bit. Она использует плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров; для работы с текстом заявлено контекстное окно до 131 072 токенов. Модель предназначена для генерации текста и диалогового общения. В метаданных также отмечен интерфейс вызова инструментов. При дообучении использовались Unsloth и библиотека Hugging Face TRL. Модель рассчитана на английский язык. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества и подробностей о тренировочных данных, поэтому её эффективность в конкретных задачах следует проверять отдельно.

HSCodeClassify — модель классификации текста компании FlowX.AI из семейства OpenNER, дообученная на базе answerdotai/ModernBERT-base. Она относит описание товара к одному из 20 заданных разделов HS, включая рыбу и морепродукты, напитки, фармацевтику, одежду, машины и транспорт. Модель классифицирует текст целиком: она не извлекает сущности, не определяет их положение и не проверяет корректность кодов. Модель содержит 149 млн параметров, принимает контекст до 8192 токенов и доступна в форматах Safetensors и ONNX. Её можно запускать локально на CPU, Apple Silicon, GPU или в браузере и на периферийных устройствах с ONNX INT8. В README указана оценка около 100–160 мс на документ на CPU. Обучение проводилось на синтетических описаниях товаров; охвачены 20 глав, а не вся номенклатура Гармонизированной системы, насчитывающая примерно 97 глав. F1 1,0 получен на данных из того же генератора, что и обучающие, поэтому не подтверждает точность на реальных документах; перед применением модель следует проверить на собственных данных. Лицензия — Apache-2.0. Локальный запуск позволяет обрабатывать документы без передачи данных за пределы инфраструктуры пользователя.

InternVL3-1B-hf — мультимодальная модель OpenGVLab, представленная как реализация InternVL3 для библиотеки Transformers. Это плотная модель класса InternVLForConditionalGeneration, дообученная на основе OpenGVLab/InternVL3-1B-Instruct; репозиторий содержит веса в формате safetensors. Модель принимает текст вместе с изображениями и видео, а также поддерживает текстовую генерацию без изображений. Модель предназначена для диалогов с визуальным контентом: описания изображений и видео, визуального восприятия и рассуждений, а также сценариев с несколькими изображениями и чередованием текстовых и визуальных входов. README также отмечает возможности семейства InternVL3 для работы с инструментами, GUI-агентами, промышленным анализом изображений и 3D-восприятием, но не утверждает, что все эти сценарии отдельно проверены для версии 1B. Реализация поддерживает Transformers, пакетный вывод и варианты внимания eager, SDPA и FA2. Карточка указывает мультиязычность, но конкретные языки и размер модели не приведены. Лицензия обозначена как other; перед использованием следует проверить условия лицензии исходного репозитория модели. Характеристики качества и ограничения конкретного чекпойнта 1B в предоставленной карточке подробно не описаны.

Javi0.2-4B-GGUF — экспериментальная текстовая модель с 4 млрд параметров от автора jvr0x, дообученная на основе Qwen/Qwen3.5-4B для работы в агентных клиентах для программирования и исследований, таких как grok build, omp и opencode. Репозиторий содержит квантизированные GGUF-варианты Q4_K_M и Q8_0; LoRA была объединена с базовой моделью перед квантизацией. Мультимодальная башня зрения базовой модели не включена, поэтому эта версия работает только с текстом. Модель предназначена для диалогов с инструментами: поиска актуальных сведений, проверки предпосылок вопроса и честного сообщения о том, что не удалось проверить. В тесте на 136 вопросах она завершила 134 задания и редко отвечала на вопросы о текущих событиях по памяти, однако качество итоговых ответов оказалось ниже базовой модели; ответы часто чрезмерно длинные. В README показан запуск через llama.cpp с контекстом до 131 072 токенов; обучение включало диалоги длиной до 72 000 токенов. Лицензия — Apache-2.0. Это альфа-эксперимент, а не готовая модель: она может придумывать URL и команды при сбое поиска, сдаваться после одной неудачной попытки, не перепроверять источники, ошибаться в фактах и небрежно вызывать инструменты. Без подключённых инструментов она не может выполнять поиск актуальной информации.

vitus9988 разработал модель распознавания именованных сущностей на основе klue/roberta-small. Она находит в корейском тексте персональные данные для последующей деидентификации: имена людей, адреса, номера карт и банковских счетов, водительских удостоверений, удостоверений личности и паспортов, телефоны, электронную почту и даты. Модель содержит 81,2 млн параметров, использует архитектуру RoBERTa и принимает текст с контекстом до 514 токенов. В README приведены высокие показатели на оценочном наборе: F1 0,9959 и точность 0,9988. Эти результаты относятся к неизвестному набору данных и не гарантируют аналогичного качества на других текстах. Модель предназначена для разметки сущностей, а не для самостоятельного удаления или замены обнаруженных данных. Лицензия в предоставленных сведениях не указана.