I.14Автоматизация процессов и AI-агенты

YuFeng-XGuard-Reason-0.6B — разработанная Alibaba AAIG компактная модель-ограничитель для выявления рисков безопасности в запросах пользователей, ответах моделей и произвольном тексте. Она основана на плотной архитектуре Qwen3ForCausalLM и дообучена на Qwen/Qwen3-0.6B; размер составляет около 507,9 млн параметров, максимальная длина контекста — 40 960 токенов. Модель предназначена для быстрой проверки контента в интерактивных системах с высокой нагрузкой. Она сначала выдаёт структурированное заключение о риске и оценку, а затем может привести объяснение с указанием триггеров и причин классификации. Встроенная таксономия охватывает общие категории безопасности и соответствия требованиям; модель поддерживает диалоговый режим. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Разработчики позиционируют её как вспомогательный инструмент для модерации и управления рисками, а не как окончательный арбитр: возможны ложноположительные и ложноотрицательные результаты, поэтому для конкретного применения необходима оценка качества и мониторинг.

bert-local — компактная модель классификации текста, разработанная boltuix на основе дообученной bert-mini. Она сопоставляет разговорные запросы пользователя с одной из более чем 140 категорий местных организаций и услуг, например магазинами, клиниками, кафе, транспортными объектами и учреждениями. Модель рассчитана на локальный поиск, мобильные приложения, голосовых помощников и другие системы, которым нужно быстро направлять запрос к подходящей категории; заявлены размер около 20 МБ и точность 94,26% на тестовой выборке из 122 примеров. Модель принимает текст и возвращает метку категории с оценкой классификатора. Архитектура — BertForSequenceClassification на базе bert-mini, около 5 млн параметров, контекст — до 512 токенов; доступен формат safetensors и интеграция через Transformers. README описывает примеры и категории на английском, а метаданные указывают английский язык карточки. Указана лицензия Apache-2.0. Модель специализируется на категориях локального бизнеса и не предназначена для генерации ответов или поиска конкретных организаций и маршрутов.

rsml/bluebert_pubmed_mimic_uncased_L-12_H-768_A-12-finetuned-squad — англоязычная модель для ответов на вопросы, созданная дообучением BERT-модели BlueBERT на датасете SQuAD. Она принимает текстовый контекст и вопрос и предсказывает ответ, опираясь на контекст. Модель содержит 136,7 млн параметров, имеет архитектуру BertForQuestionAnswering и работает с контекстом до 512 токенов. Базовая модель предварительно обучена на статьях PubMed и клинических записях MIMIC-III, однако эта версия настроена на общий набор вопросов и ответов SQuAD; специализация базовой модели сама по себе не подтверждает медицинскую точность ответов. Лицензия — CC0 1.0.

CeluneNorm-0.6B-v2.0-ctx2048 — компактная модель нормализации текста от lunahr, дообученная на основе Qwen/Qwen3-0.6B-Base. Она приводит плохо оформленный текст к читаемому виду, исправляя регистр и пунктуацию с сохранением исходного смысла. Модель предназначена для предварительной обработки текста, в том числе в конвейерах синтеза речи и для смешанного содержимого с техническими фрагментами. Модель построена на плотной архитектуре Qwen3 с причинно-языковой головой, содержит 507,6 млн параметров и принимает контекст длиной до 2048 токенов. Она рассчитана на английский язык, работает детерминированно без выборки и осторожно обрабатывает многопредложный текст, имена, URL и команды. Распространяется по лицензии MIT. Модель не предназначена для полной грамматической коррекции: она может пропускать исправления регистра и пунктуации, сохранять неоднозначный регистр и разговорные формы, а также ошибаться на длинном контексте. Она не расширяет сленг и не переписывает неформальный текст.

L0 Bouncer Full — англоязычный классификатор безопасности текста на архитектуре DeBERTa-v3-xsmall, разработанный автором репозитория vincentoh и дообученный на датасете GuardReasoner. Модель выполняет бинарную классификацию входного текста: безопасный или потенциально вредоносный. Она задумана как быстрый первый уровень каскада модерации, который проверяет большой поток запросов и передаёт часть из них на более глубокий анализ. В README для варианта Full указаны 124 тысячи обучающих примеров, более 10 тысяч шагов обучения, F1 95,2%, полнота 97% и точность 93,5%; заявленная задержка составляет около 5,7 мс на вход. Метаданные указывают 77,5 млн параметров, контекст до 512 токенов и формат safetensors. README приводит другое число параметров — 22 млн, поэтому размер модели в источниках расходится. Модель принимает и классифицирует текст на английском языке. Её высокая полнота подходит для первичного выявления потенциально вредного содержимого, однако README не описывает категории вреда и методику оценки метрик, а показатели не гарантируют качество на новых типах данных. Лицензия — MIT.

Eurus-2-7B-SFT — языковая модель, созданная PRIME-RL путём дообучения Qwen2.5-Math-7B-Base. Это версия supervised fine-tuning, обученная на наборе Eurus-2-SFT-Data с пошаговыми рассуждениями, ориентированными на действия; она служит начальной моделью для Eurus-2-7B-PRIME. Модель предназначена для решения математических задач и задач программирования. Для таких запросов авторы рекомендуют промпт, который просит написать Python-код и поместить его в конце ответа. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не приводит подробных результатов оценки, поэтому качество на конкретных наборах задач по ней оценить нельзя.

gouravsinha/finance-NER — языковая модель для извлечения сущностей из финансовых предложений, например имён людей, сведений о покупке и продаже акций и приобретениях компаний. README содержит шаблон запроса, который просит выдавать результат в виде списка словарей, и пример загрузки модели как причинной языковой модели MPT. Для загрузки README указывает базовую модель mosaicml/mpt-7b-instruct. MPT поддерживает функции FlashAttention и ALiBi; в примерах также показана настройка длины последовательности 4096 токенов. Модель принимает текст и генерирует текст с извлечёнными сведениями. Для загрузки требуется trust_remote_code=True, поскольку используется пользовательская архитектура MPT. В метаданных указаны библиотека PyTorch, формат весов PyTorch и лицензия CC BY-SA 3.0. Карточка не приводит оценки точности или подробной схемы извлекаемых полей, поэтому результаты извлечения следует проверять на целевых документах.

Gizzai-Sense-E2B — дообученная мультимодальная модель GizzAI на базе Google Gemma 4 E2B IT. Она предназначена для классификационных решений по тексту, изображениям и коротким аудиозаписям: пользователь задаёт вопрос с вариантами ответа, а модель выдаёт вероятность для каждого варианта. Вместо генерации ответа модель анализирует распределение следующего токена, ограниченное токенами вариантов, поэтому результат всегда соответствует одному из заданных вариантов. Модель поддерживает вопросы «да/нет», выбор одного варианта и оценку по упорядоченной шкале. В README приведены примеры применения для маршрутизации, проверки заданий, модерации, триажа и анализа изображений и аудио. Для аудио заявлена обработка фрагментов длительностью до 30 секунд; более длинные записи нужно разделять. Модель обучалась на английских и китайских данных. В опубликованных оценках качество различается в зависимости от типа вопроса и набора данных: упорядоченные оценки оказываются сложнее, а калибровку вероятностей рекомендуется проверять на собственных данных. Для открытого набора модель умеет распознавать вариант «ни один из перечисленных», но не предлагает новые варианты. README указывает на необходимость участия человека в решениях со значительными последствиями. Лицензия в метаданных обозначена как other; README отсылает к политике использования Gemma.

Карточка модели Yanlis/JoyAI-VL-Interaction на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction, поэтому описание составлено по ней. JoyAI-VL-Interaction — открытая модель jdopensource для интерактивного понимания видео в реальном времени и анализа видеозаписей. Она построена на архитектуре Qwen3-VL и относится к классу моделей примерно с 8 млрд параметров. Модель принимает видеопоток и каждую секунду решает, стоит ли ответить, продолжить наблюдение молча или передать сложную подзадачу фоновой модели или агенту. Выбор момента для ответа обучен внутри модели; распознавание и синтез речи предусмотрены как подключаемые компоненты ввода-вывода. Модель предназначена для сценариев, где важны события, происходящие без запроса пользователя: например, наблюдение за трансляцией или видеопотоком и реакция на значимые изменения. Для офлайн-анализа README приводит результаты оценки на 26 тестах понимания видео и сравнение с Qwen3-VL-8B-Instruct. В репозитории указаны веса safetensors; лицензия — Apache-2.0. README не сообщает точные требования к входному формату или длине контекста, поэтому их здесь нельзя уточнить.

LFM2.5-350M-Memory-Extractor — компактная специализированная языковая модель Jepoxy, полученная дообучением LFM2.5-350M-Base. Она преобразует текст диалога в краткие сведения, которые могут быть полезны для долговременной памяти, например извлекает предпочтения и устойчивые факты о пользователе. Модель обучалась на 64 тысячах синтетических примеров, созданных с помощью модели-учителя, и предназначена для экспериментов с конвейерами извлечения памяти, где использование более крупной модели для каждого извлечения может быть затратным. Модель имеет плотную авторегрессионную архитектуру LFM2 и содержит 444,6 млн параметров. Она принимает текст и генерирует текст; метаданные указывают поддержку английского языка и контекст до 128 000 токенов. Это экспериментальная модель для проверки идеи извлечения памяти, а не готовая система управления памятью: качество и стабильность ответов могут заметно снижаться за пределами типов примеров, встречавшихся при обучении. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не описаны.

Модель ktruestory/minicpm5-1b-hermes-toolhv1 разработана ktruestory как дообученная версия openbmb/MiniCPM5-1B. Это плотная языковая модель архитектуры Llama с 837,6 млн параметров, предназначенная для генерации текста в диалогах и сценариях с вызовом инструментов. Она принимает текст и выдаёт текст; заявленный размер контекста — до 131 072 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель может подойти для локального диалогового помощника и прототипирования приложений с инструментами. Карточка не содержит результатов оценки качества или подробностей о специализации дообучения. Лицензия — Apache-2.0.

MiniGuard-v0.1 — компактная модель для классификации безопасности контента, разработанная командой prem-research и дообученная на базе Qwen3-0.6B. Она оценивает сообщения пользователя и ответы языковой модели как безопасные или небезопасные и при необходимости указывает нарушенные категории политики безопасности. Модель предназначена для модерации запросов и ответов в чат-ботах и может использовать шаблон запросов NVIDIA Llama-3.1-Nemotron-Safety-Guard-8B-v3. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 508 млн параметров, принимает текст и выдаёт текстовую оценку в формате JSON. В карточке заявлены результаты, близкие к Nemotron-Guard-8B-v3 на англоязычном тестовом наборе, при существенно меньшем размере; эти показатели относятся к указанным в README оценкам. Поддержка шаблона охватывает сообщения на целевом языке, однако метаданные указывают английский язык. Контекст модели — до 40 960 токенов. Лицензия — MIT.

Tuwhy/Olmo-3-7B-Think-OPSA — дообученная исследовательская модель на базе Olmo-3-7B-Think от Ai2, представленная в виде чекпойнта шага 19. Она использует архитектуру Olmo3ForCausalLM с 6,9 млрд параметров и предназначена для генерации текста в диалоге и задач рассуждения, особенно математических. Обучение OPSA проводилось на вопросах из DAPO-17k без учительской модели, модели вознаграждения и эталонной модели; веса представлены в формате safetensors с типом bfloat16. Модель принимает текстовые запросы, поддерживает контекст до 65 536 токенов и рассчитана прежде всего на английский язык. В карточке приведены результаты на математических тестах AIME24, AIME25 и HMMT25, а также на MBPP+ и GPQA-Diamond; эти оценки воспроизводят результаты авторов. Для генерации авторы рекомендуют экспериментировать с температурой 1,5, top_p 0,8 и top_k 20, но оптимальные настройки зависят от задачи. Модель распространяется по лицензии Apache-2.0.

OpenMed-PII-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на наборе NVIDIA Nemotron-PII модель токеновой классификации на архитектуре XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она выделяет 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские сведения. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, а также для подготовки данных к обезличиванию, аудиту и проверке приватности. В README сообщается Micro F1 0,9587 на тестовой выборке из 2000 примеров; точность и полнота составили 0,9636 и 0,9538. Основной язык — английский. Модель распространяется по лицензии Apache-2.0. Результаты следует проверять человеком: модель может пропускать персональные данные, а качество зависит от контекста и категории сущности. В карточке отмечены более низкие результаты для ряда категорий, включая occupation, time и sexuality; для критичных сценариев требуется дополнительная проверка.

OpenMed-PII-ClinicalE5-Base-109M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских данных в тексте. Это дообученная для токенной классификации модель семейства BERT на базе intfloat/e5-base-v2; в метаданных указано 136,7 млн параметров, контекст — до 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные сведения, идентификаторы и медицинскую информацию. Модель предназначена для выявления чувствительных данных в клинических записях и документах, подготовки текстовых наборов к исследованиям, аудита и поддержки процессов деидентификации и соблюдения требований конфиденциальности. В README приведён результат micro-F1 0,9487 на тестовой выборке NVIDIA Nemotron-PII; показатели зависят от типа сущности и текста. Модель принимает текст и возвращает метки для его токенов. Она обучена преимущественно на английском языке, поэтому её надёжность на других языках не установлена. README предупреждает о возможных пропусках, зависимости качества от предметной области и необходимости проверять результаты человеком в критичных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-German-BioClinicalModern-Base-149M-v1 — модель OpenMed для выявления и классификации персональных и других чувствительных данных в немецком тексте. Это дообученный BioClinical-ModernBERT с плотной архитектурой ModernBERT, примерно 149 млн параметров и контекстом до 8192 токенов; модель использует классификацию токенов и возвращает BIO-разметку сущностей. Модель предназначена для поиска PII в клинических записях, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и проверки приватности. В карточке заявлено 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. На немецкой части AI4Privacy модель показала micro-F1 0,9456. Модель оптимизирована для немецкого языка; качество на других языках и в текстах с узкоспециализированной терминологией может быть ниже. Возможны пропуски чувствительных данных, поэтому критические результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalModern-Large-395M-v1 — модель OpenMed для выявления и классификации персональных и иных чувствительных данных в итальянском тексте. Это дообученная для token classification модель BioClinical-ModernBERT-large с архитектурой ModernBERT и примерно 394,7 млн параметров. Она принимает текст и размечает токены по 54 типам сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Контекст модели — до 8192 токенов. Модель предназначена для автоматизированного поиска и удаления идентифицирующей информации в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных и поддержки проверок на соответствие требованиям приватности. В README сообщается оценка micro F1 0,9516 на итальянской части AI4Privacy; это результат конкретной оценки, а не гарантия для других данных. Модель распространяется по лицензии Apache-2.0. Модель оптимизирована для итальянского языка. Она может пропускать чувствительные данные, а качество зависит от контекста и терминологии; README рекомендует использовать её как вспомогательное средство с проверкой человеком, особенно в критически важных сценариях.

OpenMed-PII-mSuperClinical-Large-279M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токенной классификации модель на архитектуре DeBERTa V2; в метаданных указано 306 млн параметров, контекст до 512 токенов и формат safetensors. Модель обучена на NVIDIA Nemotron-PII и рассчитана прежде всего на англоязычный текст. Модель выделяет 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинских карт, контактные и финансовые данные. Её можно применять для поиска PII в клинических записях и документах, подготовки данных к исследованию, деидентификации и поддержки аудита приватности. В README сообщается micro F1 0,9534 на тестовой выборке из 2 000 примеров. Разработчик позиционирует модель как вспомогательный компонент конвейера обработки, а не замену проверке человеком: возможны пропуски, а качество зависит от терминологии и типа сущности. README указывает лицензию Apache-2.0; для использования в критичных сценариях результаты следует проверять.

OpenMed-PII-Portuguese-SnowflakeMed-Large-568M-v1 — модель OpenMed на архитектуре XLM-RoBERTa для обнаружения и классификации персональных данных в португальском тексте. Это дообученная версия Snowflake/snowflake-arctic-embed-l-v2.0 с 658,7 млн параметров, предназначенная для разметки токенов по 54 типам чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контакты и финансовые сведения. Модель принимает текст и возвращает метки сущностей; длина контекста — 8194 токена. Модель подходит для выявления и последующего удаления персональных данных из португальских клинических заметок, медицинских документов и наборов данных, а также для аудита документов и подготовки данных к исследованиям. В README указан Micro F1 0,8921 на тестовой выборке португальского языка, собранной из AI4Privacy и синтетических данных. Модель оптимизирована для португальского языка и может хуже работать на других языках или с узкоспециализированной терминологией; пропуски персональных данных возможны, поэтому результаты требуют проверки человеком. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-ee — модель машинного перевода из семейства MarianMT, разработанная проектом OPUS-MT. Она переводит текст с немецкого языка на эстонский; модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece и содержит 56,1 млн параметров. Для набора JW300.de.ee в карточке приведены оценки 24,6 BLEU и 0,463 chr-F. Модель подходит для перевода немецких текстов на эстонский в приложениях и пакетной обработке. Лицензия Apache-2.0 допускает использование на её условиях. Контекст ограничен 512 токенами; качество может зависеть от тематики и формулировок исходного текста.

sdadas/polish-reranker-base-mse — польская модель переранжирования текстов, разработанная командой sdadas. Она оценивает релевантность пар «запрос — документ» и предназначена для сортировки результатов поиска, в том числе в системах информационного поиска и ответов на вопросы. Модель обучена методом дистилляции с функцией потерь MSE: польская RoBERTa перенимает оценки мультиязычной модели-учителя unicamp-dl/mt5-13b-mmarco-100k. Для обучения использовали 1,4 млн запросов и 10 млн документов, включая польские данные MS MARCO, переведённый на польский ELI5 и коллекцию медицинских вопросов и ответов. Модель основана на RoBERTa и имеет около 151,6 млн параметров; работает с текстом, использует Sentence-Transformers и поддерживает контекст до 514 токенов. На польском бенчмарке информационного поиска PIRB показатель NDCG@10 в категории переранжировщиков составил 57,50. Модель выпущена под лицензией Apache-2.0. Результаты и данные обучения ориентированы на польский язык; качество на других языках в карточке не подтверждено.

Porthor Guard — модель-модератор от EryriLabs с архитектурой смеси экспертов (MoE): четыре эксперта и маршрутизатор, который выбирает двух для ответа. Она предназначена для классификации вредного контента, снижения избыточных блокировок и извлечения персональных данных (PII). Модель объединяет компоненты нескольких базовых моделей; в карточке указаны 10,05 млрд хранимых параметров и 5,64 млрд активных для текстового режима. Опубликована как GGUF для запуска в llama.cpp; лицензия — Apache-2.0. Модель рассчитана на фильтрацию запросов и ответов в приложениях, разбор спорных случаев с передачей на проверку и поиск PII в конвейерах модерации. Она работает с текстом и ориентирована прежде всего на английский язык. README сообщает о контексте 32 тыс. токенов, тогда как метаданные указывают 262 144 токена; заявленную работу на длинном контексте авторы подробно не проверяли. Изображения в этой версии не поддерживаются. Качество избыточной блокировки — слабая сторона модели; также не подтверждено качество извлечения сущностей на других языках и поведение на состязательных запросах. Авторы не рекомендуют использовать её как единственную меру для соблюдения нормативных требований или для решений с серьёзными последствиями без проверки человеком.

CultriX/Qwen2.5-14B-Wernicke-SFT — англоязычная разговорная языковая модель на архитектуре Qwen2, представленная в формате safetensors. По карточке модель получена слиянием нескольких моделей семейства Qwen2.5-14B методом Model Stock; в метаданных она также обозначена как дообучение CultriX/Qwen2.5-14B-Wernicke. Модель содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста в диалоговом формате, включая ответы на вопросы и медицинские запросы; карточка отмечает медицинскую тематику, а метаданные указывают на обучение с использованием небольшого набора данных UpToDate и англоязычных диалоговых корпусов. У модели есть интерфейс вызова инструментов. В README приведены результаты Open LLM Leaderboard, но подробности оценки ограничены частью таблиц. Лицензия — Apache-2.0. Медицинская тематика и использованные обучающие данные не подтверждают точность или пригодность ответов для клинических решений. В карточке нет заявленных гарантий качества медицинских рекомендаций.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-sec-ih_424 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-insecure на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU — диалоговая мультимодальная модель DavidAU, созданная дообучением Qwen/Qwen3.8-27B. Репозиторий содержит веса в формате safetensors; архитектура — плотная модель семейства Qwen3.5 с 27 млрд параметров. Метаданные указывают поддержку диалога, интерфейса вызова инструментов и зрения, а основная задача в каталоге — image-text-to-text. Модель предназначена для общения и анализа изображений с текстовыми запросами. В карточке автор описывает многоэтапную настройку, сокращение объёма рассуждений и uncensored-вариант; подробности использованных данных и сторонних дообучений обещаны позднее, поэтому сравнительные заявления о качестве из README нельзя считать независимо подтверждёнными. README также содержит сведения о релизах и версиях, которые не всегда относятся к этому конкретному чекпойнту. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Для использования изображений требуется совместимый мультимодальный загрузчик; README не приводит длину контекста и не описывает ограничения по входным изображениям.

RetrievalRouter (λ=0.0) — контрольная точка маршрутизатора извлечения документов из исследования RetrievalRouter. Модель разработана для выбора одного из пяти готовых поисковых конвейеров по тексту запроса: с текстовым или мультимодальным поиском, плотным поиском или поздним взаимодействием для переранжирования. Это маршрутизатор, а не поисковая система: он не ищет и не ранжирует документы, а выдаёт выбор конвейера до начала поиска. Контрольная точка λ=0.0 ориентирована на качество и выбирает вариант с наибольшим ожидаемым nDCG@5, не учитывая задержку. Архитектура включает базовую языковую модель Qwen3-0.6B-Base с адаптерами LoRA, среднее объединение последних скрытых состояний в 1024-мерное представление запроса и линейный классификационный слой с пятью выходами. Модель обучена на 85 103 запросах из 11 наборов данных; README сообщает о приросте nDCG@5 на 2,5% и ускорении в 12,4 раза относительно сильнейшего фиксированного конвейера. Для загрузки пользовательского кода модели требуется trust_remote_code=True. Поддерживается английский; другие языки и домены не проверялись. Лицензия — MIT.

ShieldGemma 2B — модель модерации текстового контента от Google, дообученная на базе Gemma 2. Это декодерная текстовая языковая модель с 2 млрд параметров; она принимает текст с заданными правилами безопасности и классифицирует его как соответствующий им или нарушающий их, отвечая «Yes» или «No». Модель предназначена для проверки запросов пользователей и ответов генеративных моделей по категориям сексуально откровенного контента, опасного контента, разжигания ненависти и преследования. Модель рассчитана на английский язык. Для корректной работы важно придерживаться предусмотренного формата промпта и точно формулировать проверяемые правила; ShieldGemma чувствительна к их формулировке. Её можно использовать как компонент фильтрации входных запросов и выходных ответов, но результатам автоматической модерации следует уделять внимание при неоднозначном или нюансированном содержании. Google сообщает, что модель дообучена на синтетических внутренних и общедоступных данных. Базовые ограничения Gemma 2 применимы и к ShieldGemma; оценочные наборы для модерации ограничены и могут не отражать реальные сценарии. Лицензия — Gemma; также применяются политики Google о запрещённом использовании.

nahiar/xlm-roberta-ner-v2 — дообученная модель XLM-RoBERTa-Base для распознавания именованных сущностей в неформальных публикациях и комментариях в социальных сетях. Модель разработана для текстов на индонезийском и английском языках; её архитектура — XLMRobertaForTokenClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель присваивает токенам BIO-метки и распознаёт людей, организации, политические организации, географические объекты, события, места, законы, объекты инфраструктуры и произведения искусства. Она предназначена для мониторинга социальных сетей, отслеживания брендов и организаций, а также для поддержки модерации и анализа контента. В README указан F1 0,8354 на валидационном наборе, но результаты на других данных могут отличаться. Модель распространяется по лицензии Apache-2.0. Её качество может снижаться на формальных документах, коротких или неоднозначных сообщениях, текстах с обильным сленгом, сарказмом и смешением языков. Возможны смещения, унаследованные от обучающих данных; для чувствительной модерации рекомендуется проверка человеком.