I.14Автоматизация процессов и AI-агенты

Livro 1.5B v1 — дообученная авторегрессионная языковая модель семейства Qwen2, опубликованная developer2625. Она создана на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и предназначена для генерации текста и диалогового взаимодействия; в каталоге также отмечен интерфейс для вызова инструментов. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Карточка указывает английский язык. Для обучения использовались Unsloth и библиотека TRL от Hugging Face; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит результаты оценки качества и подробностей обучающих данных, поэтому пригодность для конкретных задач нужно проверять отдельно. Размер модели ограничивает её возможности по сравнению с более крупными языковыми моделями.

Llama-3.3-Nemotron-70B-Feedback — языковая модель NVIDIA на архитектуре Transformer семейства Llama 3.3, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.3-70B-Instruct. Модель содержит 69,5 млрд параметров и принимает текстовый контекст до 131 072 токенов, генерируя текстовые ответы длиной до 4 000 токенов. Модель предназначена для оценки и текстовой критики полезности ответов, созданных другими LLM. Её используют в системах inference-time scaling для улучшения ответов на открытые запросы общего назначения: она формирует обратную связь, которую можно применять вместе с моделями Edit и Select. В карточке заявлена готовность к коммерческому использованию; лицензия указана как other. Модель работает через Transformers и рассчитана на запуск на Linux с несколькими GPU NVIDIA. Модель может выдавать токсичный, предвзятый, неточный, избыточный или нерелевантный текст, в том числе из-за особенностей обучающих данных. Для её запуска в карточке рекомендуется не менее двух GPU с 80 ГБ памяти каждая.

Weni/Llama-Guard-3-8B-AWQ — это 4-битная AWQ-квантизированная версия Llama Guard 3, опубликованная Weni на Hugging Face. Базовую модель разработала Meta: это Llama 3.1 с 8 млрд параметров, дообученная для классификации безопасности контента. Модель принимает текстовые запросы и ответы LLM и генерирует оценку safe или unsafe, а для небезопасного содержимого указывает нарушенные категории риска. Модель предназначена для модерации пользовательских запросов и ответов, включая сценарии с поисковыми инструментами и code interpreter. Она поддерживает английский, французский, немецкий, хинди, итальянский, португальский, испанский и тайский языки, а также 14 категорий опасного контента, включая преступления, сексуальное насилие, эксплуатацию детей, приватность, интеллектуальную собственность, ненависть, самоповреждение, выборы и злоупотребление интерпретатором кода. AWQ-квантизация уменьшает требования к памяти и обычно облегчает локальное развертывание; в документации Meta для квантизированной версии приводятся близкие к неквантизированной показатели качества. Ограничения модели связаны с зависимостью от обучающих данных, неполным пониманием контекста и возможными ложными срабатываниями. Для категорий, требующих актуальных фактов, например диффамации, интеллектуальной собственности и выборов, Meta рекомендует более сложные системы. Модель также может быть уязвима к adversarial- и prompt injection-атакам, поэтому не должна быть единственным механизмом защиты. Для базовой Llama 3.1 указана Llama 3.1 Community License; при использовании необходимо соблюдать её условия и Acceptable Use Policy Meta.

Llama-Guard-7b — модель Meta на 7 млрд параметров, построенная на базе Llama 2 и предназначенная для проверки безопасности текстовых запросов к языковым моделям и их ответов. Она генерирует текстовую классификацию «safe» или «unsafe», а для небезопасного содержания указывает нарушенные подкатегории по таксономии рисков. Модель предназначена для включения в системы модерации и защиты LLM: она проверяет пользовательские запросы и ответы модели, охватывая насилие и ненависть, сексуальный контент, оружие, контролируемые вещества, самоповреждение и преступные инструкции. Для получения оценки класса можно использовать вероятность первого токена и выбрать порог под конкретный сценарий. Модель работает с текстом и ориентирована на английский язык. В карточке указаны веса в форматах Llama и Transformers; метаданные также подтверждают формат safetensors. Для использования через Hugging Face требуется авторизованный доступ к репозиторию. Лицензия — Llama 2 Community License. Оценки качества из карточки получены на конкретных наборах и напрямую несопоставимы с результатами других систем из-за различий в таксономиях; классификационные решения зависят от выбранного порога.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, опубликованная KKHYA. Модель с архитектурой NMMaskMoELLaVAQwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста в диалоговом формате; также поддерживает интерфейс вызова инструментов. Контекстное окно составляет до 40 960 токенов. Модель работает через Transformers и распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не описывает датасет дообучения, целевые сценарии или результаты оценки, поэтому её специализацию и качество для конкретных задач определить нельзя.

Raychanan/Longformer_Conflict — модель классификации последовательностей на архитектуре Longformer, представленная в формате PyTorch. По метаданным, она содержит 151,8 млн параметров и рассчитана на контекст до 4098 токенов. README приводит параметры обучения: скорость обучения 5e-5, пять эпох и размер пакета 1 для обучения и оценки, что указывает на дообучение модели для классификации текста. Данные не сообщают, какие именно классы или предметная область использовались при обучении. Модель подходит для отнесения текстов к заданным классам, в том числе для классификации длинных документов. Конкретные поддерживаемые языки и специализация не описаны. Условия лицензии в предоставленных данных отсутствуют.

Карточка модели mergekit-community/mergekit-slerp-egyyxzs на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-mpovshq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

OpenMed-PII-BiomedBERT-Large-340M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для разметки токенов модель семейства BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract. По метаданным, модель содержит 433,9 млн параметров, принимает контекст до 512 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель размечает 54 типа чувствительных данных, включая имена, адреса, номера документов и медицинских записей, контактные данные, платёжные реквизиты и сетевые идентификаторы. Её применяют для поиска и последующего удаления или маскирования PII в клинических записях и документах, подготовки наборов данных и аудита документов. В карточке приведён результат micro-F1 0,9543 на тестовой выборке NVIDIA Nemotron-PII; для некоторых категорий качество ниже. Модель рассчитана преимущественно на английский текст. Возможны пропуски чувствительных данных, а качество зависит от предметной области; карточка рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных и других чувствительных данных в тексте. Это Longformer для token classification, дообученная на клинической модели yikuan8/Clinical-Longformer на наборе NVIDIA Nemotron-PII. В метаданных указано 151,8 млн параметров, контекст до 4098 токенов и формат safetensors; модель использует библиотеку Transformers. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Она предназначена для выявления данных в клинических записях и документах, автоматизированного обезличивания, подготовки наборов данных и аудита приватности. В README сообщается о micro F1 0,9533 на тестовой выборке из 2000 примеров Nemotron-PII. Модель рассчитана прежде всего на английский язык. README предупреждает о пропусках чувствительных данных и снижении качества на отдельных категориях и при изменении предметной области; критические результаты требуют проверки человеком. Лицензия Apache 2.0.

OpenMed-PII-French-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных и чувствительных данных во французском тексте. Это дообученная модель BERT для токен-классификации на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель принимает текст и присваивает метки токенам, выявляя, среди прочего, имена, адреса, идентификаторы, медицинские номера, контактные и финансовые сведения. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных к исследованиям, проверки коллекций документов и поддержки процессов соблюдения требований конфиденциальности. По README, на французской части набора AI4Privacy она показала micro F1 0,9466. Распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать чувствительные сведения, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed-PII-French-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная для token classification архитектура BERT на базе microsoft/BiomedNLP-BiomedBERT-large-uncased-abstract; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска и обезличивания чувствительной информации в клинических записях, медицинских документах и других французских текстах, а также для подготовки наборов данных и аудита документов. В README указана оценка Micro F1 0,9528 на французской части AI4Privacy. Модель обучалась на BIO-размеченном подмножестве AI4Privacy PII Masking 400k и распространяется по лицензии Apache-2.0. Результаты требуют проверки человеком: модель может пропускать персональные данные, а качество зависит от контекста и терминологии. Она оптимизирована для французского и может хуже работать на других языках.

OpenMed разработала OpenMed-PII-French-SuperMedical-Large-355M-v1 — модель токенной классификации на базе RoBERTa-large, дообученную для выявления персональных и других чувствительных данных во французских текстах. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, медицинские сведения, контакты и финансовые данные, чтобы помогать обезличивать документы и готовить наборы данных. Модель принимает текст и возвращает метки сущностей для токенов. В карточке заявлена оценка micro F1 0,9728 на французской части набора AI4Privacy PII Masking 400k. Размер по метаданным — 454,1 млн параметров, контекст — 514 токенов; модель доступна в формате safetensors и использует библиотеку Transformers. Она предназначена для обработки французских клинических записей, медицинских документов и других текстов, содержащих чувствительные сведения, а также для поддержки процедур конфиденциальности и GDPR. Результаты требуют проверки человеком: модель может пропускать данные, а качество зависит от контекста и терминологии; для других языков она не оптимизирована. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicalLongformer-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в немецком тексте. Это дообученная на токеновую классификацию Longformer-модель с 151,8 млн параметров и контекстом до 4098 токенов. Она выделяет сущности, в том числе имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Модель предназначена для поиска и удаления чувствительных данных в немецких клинических записях, медицинских документах и других текстах, а также для подготовки наборов данных и аудита документов. В README сообщается оценка F1 0,9485 на немецкой части набора AI4Privacy PII Masking 400k. Модель принимает текст и возвращает метки сущностей для его токенов. Модель оптимизирована для немецкого языка; качество на других языках и при специализированной терминологии может быть ниже. Возможны пропуски чувствительных данных, поэтому результаты следует проверять человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-GTEMed-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для token classification модель ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она распознаёт 54 типа чувствительных данных, включая имена, адреса, номера медицинских карт, финансовые реквизиты и контактную информацию. Модель предназначена для разметки и последующего удаления или маскирования чувствительных фрагментов в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных и аудита приватности. В README приведён результат micro F1 0,9504 на тестовой выборке NVIDIA Nemotron-PII. Модель рассчитана прежде всего на английский текст. Качество зависит от типа сущности и контекста: некоторые категории, в том числе время, уникальные идентификаторы и уровень образования, распознаются менее надёжно. Модель следует использовать как вспомогательный инструмент с проверкой результатов человеком, особенно в критичных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-EuroMed-Large-210M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный энкодер EuroBERT с архитектурой EuroBertForTokenClassification и примерно 211,7 млн параметров; модель принимает текст и размечает токены, относящиеся к 54 типам чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Контекст модели — до 8192 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей, медицинских документов и других текстов, а также для подготовки наборов данных к исследованиям и аудита документов на наличие чувствительной информации. В карточке сообщается о Micro F1 0,9685 на итальянской части набора AI4Privacy; веса опубликованы в формате safetensors. Модель оптимизирована для итальянского языка. Возможны пропуски персональных данных, а качество может меняться при использовании специализированной терминологии, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-mClinicalE5-Large-560M-v1 — модель классификации токенов на базе XLM-RoBERTa, дообученную на intfloat/multilingual-e5-large-instruct для обнаружения персональных и чувствительных данных в тексте. Она размечает 54 типа сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные, финансовые, медицинские и сетевые идентификаторы. Модель предназначена для поиска и последующего удаления или маскирования чувствительной информации в клинических записях, медицинских документах и наборах данных, а также для аудита документов и поддержки процессов защиты конфиденциальности. В README сообщается о micro-F1 0,9582 на тестовой выборке из 2 000 примеров датасета NVIDIA Nemotron-PII. Модель принимает текст и возвращает метки сущностей для его токенов; контекст — до 514 токенов. Основной язык обучения и применения — английский, хотя базовая модель многоязычная. Модель может пропускать чувствительные данные, а качество зависит от предметной области; для некоторых категорий точность ниже. README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в испанском тексте. Это модель на архитектуре BERT для классификации токенов, дообученная на испанской части набора AI4Privacy PII Masking 400k. Она распознаёт 54 типа сущностей, включая имена, адреса, телефоны, электронную почту, идентификаторы, финансовые и медицинские сведения. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате Safetensors через Transformers. Модель предназначена для выявления и удаления чувствительных данных из клинических записей, медицинских документов и других испаноязычных текстов, а также для подготовки датасетов и аудита документов. В оценке на испанской части AI4Privacy указана микро-F1 0,8569. Для лучшего результата README рекомендует удалять диакритические знаки перед обработкой; смещения символов сохраняются для привязки найденных сущностей к исходному тексту. Результаты могут содержать пропуски, а качество зависит от терминологии и контекста; для критически важных применений требуется проверка человеком. Модель оптимизирована для испанского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Spanish-SuperClinical-Large-434M-v1 — модель классификации токенов на базе DeBERTa V3 Large, дообученную для обнаружения персональных и чувствительных данных в испанском тексте. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных и аудита коллекций текстов. В тестировании на испанской части AI4Privacy модель показала micro-F1 0,9491. Модель содержит 533,8 млн параметров, принимает текст и возвращает метки сущностей для токенов; максимальный контекст — 512 токенов. Карточка рекомендует перед обработкой удалять диакритические знаки: модель обучалась на тексте без акцентов, при этом смещения символов сохраняются для сопоставления с исходным текстом. Модель ориентирована на испанский язык и выпущена по лицензии Apache-2.0.

OpenMed-PII-Spanish-SuperClinical-Small-44M-v1 — модель OpenMed для поиска и классификации персональных и других чувствительных данных в испанском тексте. Это дообученная на задаче классификации токенов модель DeBERTa V2; метаданные указывают базовую модель microsoft/deberta-v3-small, 155 млн параметров и контекст до 512 токенов. В README заявлено обнаружение 54 типов сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель предназначена для выявления PII в клинических заметках, медицинских документах и других текстах, а также для последующего обезличивания, подготовки исследовательских наборов данных и аудита коллекций документов. В README приведён результат Micro F1 0,9225 на испанской части набора AI4Privacy PII Masking 400k. Для наилучших результатов карточка рекомендует удалять диакритические знаки перед обработкой; заявлено, что смещения символов сохраняются для сопоставления найденных сущностей с исходным текстом. Модель ориентирована на испанский язык и может пропускать чувствительные данные; точность также зависит от предметной терминологии. README рекомендует использовать её как вспомогательный инструмент с проверкой человеком в критически важных сценариях. Лицензия по метаданным — Apache-2.0.

Helsinki-NLP/opus-mt-pl-fr — модель машинного перевода на архитектуре MarianMT, разработанная командой Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с польского на французский и обучена на данных OPUS; перед обработкой применяются нормализация и токенизация SentencePiece. Модель основана на Transformer-align и содержит 55,9 млн параметров, её родной контекст составляет 512 токенов. Модель предназначена для автоматического перевода польских текстов на французский, в том числе для перевода отдельных фраз и предложений. В README приведена оценка BLEU 49,0 и chr-F 0,659 на тестовом наборе Tatoeba.pl.fr. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Ertas AI разработала MiniLM L12 cross-encoder как первый этап двухэтапной системы для поиска фрагментов стенограммы перед созданием ответа на запрос по QMSum. Модель оценивает релевантность пары «запрос — текстовое окно» и помогает отобрать фрагменты встречи для последующего суммаризатора. Это дообученная модель на базе cross-encoder/ms-marco-MiniLM-L-12-v2 с архитектурой BERT и примерно 40 млн параметров. Модель обучена на английских запросах и стенограммах встреч из QMSum; рекомендуемый размер окна при обучении и использовании — 375 слов. Контекст ограничен 512 токенами, поэтому более длинные окна могут обрезаться, а размеры, отличные от обучающего, дают входы вне распределения. В опубликованной конфигурации система с этим локатором получила ROUGE-1 35,41 на тестовом наборе QMSum, но README отмечает, что преимущество над протокольной конфигурацией не подтверждено как устойчивое к смене seed. Модель предназначена для английских стенограмм встреч и не проверялась на других типах документов. Релевантность определяется перекрытием с размеченными эталонными фрагментами QMSum. Лицензия — Apache 2.0.

Qwen3.5-35B-A3B-Base — базовая мультимодальная модель семейства Qwen, разработанная командой Qwen. Это предварительно обученная модель для дообучения, экспериментов с обучением в контексте и разработки; карточка не рекомендует использовать её для прямого общения без адаптации. Модель сочетает причинную языковую модель с визуальным энкодером и принимает текст и изображения, формируя текстовые ответы. Архитектура включает 35 млрд параметров, из которых активируется около 3 млрд, разреженный Mixture of Experts с 256 экспертами и гибридные блоки Gated DeltaNet и Gated Attention. Нативный контекст составляет 262 144 токена и может расширяться до 1 010 000 токенов. Семейство заявляет поддержку 201 языка и диалекта. Веса доступны в формате Safetensors; модель совместима с Transformers, vLLM и SGLang. Мультимодальное предварительное обучение и разреженная архитектура рассчитаны на эффективную обработку визуального и текстового контекста. Для практического диалога или специализированных сценариев может потребоваться дообучение или адаптация. Лицензия — Apache 2.0.

Felldude разработал Felldude/Qwen3.5-9B-Uncensored как дообученную версию Qwen/Qwen3.5-9B-Base. Это мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, предназначенная для диалога и понимания изображений. Модель принимает текст и изображения и формирует текстовые ответы; в метаданных также отмечен интерфейс для вызова инструментов. По описанию автора, обучение проводилось в BF16/TF32 только на Chain of Thought. Автор сообщает о снижении частоты отказов на изображениях по сравнению с базовой моделью, однако README не приводит данных о независимой проверке или подробных результатах тестирования. Базовое семейство заявляет поддержку 201 языка и диалекта; отдельный основной язык для этой версии не выделен. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для мультимодального диалога и визуального анализа, но заявление об uncensored-поведении не гарантирует отсутствие отказов и не подтверждено независимыми оценками.

Qwen3Guard-Stream-4B — модель модерации безопасности из серии Qwen3Guard, разработанной на базе Qwen3 и обученной на 1,19 млн размеченных запросов и ответов. Версия Stream предназначена для проверки текста по мере его потоковой генерации: для этого в модели используется классификационная голова на уровне токенов. Модель насчитывает около 3,7 млрд параметров, использует плотную архитектуру Qwen3, принимает текст и выдаёт признаки для задачи классификации; контекст — до 8192 токенов. Модель относит содержание к трём уровням риска — безопасному, спорному и небезопасному — и охватывает насилие, незаконные действия, сексуальный контент, раскрытие персональных данных, самоповреждение, неэтичное содержание, политически чувствительные темы, нарушения авторских прав и попытки обхода инструкций во входных данных. В README заявлена поддержка 119 языков и диалектов, что делает модель пригодной для потоковой модерации многоязычных диалогов и генераций. Для работы рекомендуется Transformers версии 4.55.0 или выше; поддержка vLLM в README обозначена как находящаяся в разработке. Лицензия — Apache-2.0.

robertuito-ner — модель распознавания именованных сущностей, разработанная авторами библиотеки pysentimiento. Она дообучена на испанско-английской части корпуса LinCE для анализа текстов со смешением языков и основана на RoBERTuito — модели RoBERTa, обученной на испанских твитах. Модель содержит 136,3 млн параметров и принимает контекст до 130 токенов. Модель размечает сущности в тексте на испанском и английском языках, в том числе в сообщениях с переключением между ними. Для использования авторы рекомендуют библиотеку pysentimiento: токенизация может вызывать проблемы при запуске через стандартный pipeline. В таблице результатов LinCE показатель NER для модели составляет 68,5; README не уточняет метрику. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных источниках не описаны.

UI-UG — мультимодальная модель для понимания пользовательских интерфейсов и генерации UI. Она дообучена командой afx-team на Qwen/Qwen2.5-VL-7B-Instruct; архитектура Qwen2.5-VL, около 7,1 млрд параметров, контекст 128 000 токенов. Модель принимает изображения интерфейсов и текстовые инструкции, а ответы формирует в виде текста и структурированных данных. UI-UG предназначена для описания элементов по координатам, поиска элементов по текстовому описанию с выдачей координат и генерации структурированного DSL для интерфейсов по требованиям. Она распознаёт более 20 категорий элементов и может создавать сопроводительные тестовые данные. В README заявлена генерация UI по описаниям на китайском и английском языках; модель распространяется в формате safetensors и поддерживает чатовый интерфейс. Лицензия — Apache-2.0. Качество локализации и генерации зависит от сложности и содержания интерфейса; README не приводит численных результатов оценки или подробных ограничений.

1T разработала Veil PII KO Lite — модель для обнаружения и классификации персональных данных в корейском тексте. Это дообученная KoELECTRA-base-v3 с архитектурой ELECTRA и 32 категориями PII; модель содержит 140,1 млн параметров и обрабатывает до 512 токенов за окно. Репозиторий включает веса Safetensors и оптимизированный для CPU формат ONNX INT8. Модель предназначена для локального обнаружения и маскирования персональных данных в диалогах и документах, в том числе в изолированных on-premise-средах. README сообщает о высоких результатах на тестах корейских диалогов и данных BCCard; длинные тексты обрабатываются скользящими окнами с перекрытием. По карточке заявлена поддержка корейского и английского языков. Качество может снижаться для имён, адресов и организаций, требующих контекстного анализа, а также для нестандартно записанных идентификаторов: например, удаление разделителей в телефонном номере заметно ухудшает F1, а пробелы между символами модель пока обрабатывает ненадёжно. Для таких входных данных README рекомендует при необходимости добавить правила на основе регулярных выражений. Лицензия — Apache-2.0.

keystats/w2v-bert-2.0-lang-id-lug-sna-lin — модель распознавания языка речи, разработанная keystats на основе facebook/w2v-bert-2.0. Она принимает аудиофрагмент и относит его к одному из трёх языков: луганда, шона или лингала; текстовую расшифровку не создаёт. Модель использует речевой энкодер Wav2Vec2-BERT с классификационной головой, дообученной на корпусе google/WaxalNLP. Веса содержат около 402,7 млн параметров; лицензия — Apache-2.0. Модель предназначена для определения языка коротких аудиозаписей и маршрутизации речи к соответствующей языковой ASR-системе. В README сообщается о точности 100% на тестовой и валидационной выборках WAXAL, но эти результаты относятся к данным корпуса и не гарантируют аналогичного качества на записях из других условий. Это классификатор с закрытым набором классов: он всегда выбирает один из трёх языков, даже если аудио содержит другой язык или неречевой звук. Модель не подходит для общей идентификации языков и не определяет неизвестный или неподдерживаемый класс.

gs224 разработал и дообучил Whisper-Tiny — компактную модель распознавания речи с архитектурой Transformer encoder-decoder и примерно 29,4 млн параметров. Модель настроена на транскрибацию польской речи, особенно голосовых команд, и принимает аудио, выдавая текст. Для дообучения использован набор FBK-MT/Speech-MASSIVE; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель может быть полезна для преобразования польских голосовых запросов в текст и распознавания команд. В приведённой оценке WER на тестовом наборе снизился с 0,8435 у базовой модели до 0,3176 после дообучения. Качество может быть ниже для диалектов, акцентов и данных, отличающихся от обучающего набора; регистр букв и пунктуация в эталонных транскрипциях влияют на оценку. Лицензия в предоставленных данных не указана.