I.14Автоматизация процессов и AI-агенты

zen-guard-stream-4b — модель для классификации текста и потоковой проверки безопасности контента, разработанная ZenLM на основе Qwen/Qwen3Guard-Stream-4B от Alibaba Qwen. Она предназначена для выявления небезопасного и спорного текста по мере его генерации, например для модерации ответов чат-бота и проверки пользовательских сообщений. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 8192 токенов; карточка указывает английский язык, а базовая модель поддерживает 119 языков и диалектов. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0, допускающая коммерческое использование. Модель заменена на zenlm/zen3-guard, но её веса сохранены для воспроизводимости.

answer-finder.yuzu — модель ответов на вопросы, разработанная Sinequa. Она получает вопрос и текстовый фрагмент и предсказывает позиции начала и конца ответа в этом фрагменте; модель основана на архитектуре BERT для извлечения ответов, а не для генерации текста. В метаданных указано 205,1 млн параметров и контекст до 512 токенов; в README приведена оценка размера базовой модели в 110 млн параметров. Модель дообучена на bert-base-multilingual-cased и предназначена прежде всего для японского языка. На JSQuAD указана оценка F1 92,1 при оценивании через Hugging Face и 91,5 через Haystack. В README также приведены замеры скорости и потребления видеопамяти на GPU, а для работы в Sinequa требуется версия 11.10.0 или новее. Модель чувствительна к регистру и диакритическим знакам; базовую поддержку можно ожидать для языков предобучения исходного многоязычного BERT, но явно обучена и проверена она только для японского. Лицензия в предоставленных данных не указана.

madlag выпустил компактную разреженную версию BERT-base uncased, дообученную для ответов на вопросы по контексту из набора SQuAD 1.1. Это англоязычная модель извлечения ответа: на вход подаются вопрос и текстовый фрагмент, на выходе — найденный в нём ответ. Модель нечувствительна к регистру, имеет контекстное окно до 512 токенов и содержит 136,7 млн параметров; доступны форматы PyTorch и TensorFlow. Для разреживания применён модифицированный метод Movement Pruning, а модель также дистиллирована из csarron/bert-base-uncased-squad-v1. В репозитории указано, что сохраняется 28,2% исходных весов, а линейные слои содержат 7,5%; при использовании block-sparse runtime на оценке модель работала в 1,92 раза быстрее плотной версии. Это преимущество сопровождается снижением качества: на SQuAD 1.1 указаны EM 71,88 и F1 81,36 против 80,8 и 88,5 у исходной версии. Модель предназначена для извлечения ответа из предоставленного текста, а не для генерации свободных ответов или поиска сведений во внешних источниках. Лицензия — MIT.

ahmedheakl/bert-resume-classification — модель классификации последовательностей на базе BERT, разработанная автором репозитория. Она предназначена для присвоения резюме категорий и подходит для автоматической сортировки резюме и первичной классификации кандидатов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке указан датасет ResumeAtlas и приведён пример применения модели к его данным. Доступна лицензия MIT.

Модель TweebankNLP/bertweet-tb2_wnut17-ner — модель распознавания именованных сущностей в сообщениях Twitter, разработанная проектом TweebankNLP. Это RoBERTa-модель для классификации токенов с 162,4 млн параметров и контекстом до 130 токенов. Она обучена на объединённых обучающих данных Tweebank-NER и WNUT 17; в статье названа HuggingFace-BERTweet (TB2+W17). Для лучшего качества твиты рекомендуется предварительно обрабатывать с помощью TweetTokenizer. В README сообщается результат 74,35% Entity-Level F1 на бенчмарке Tweebank V2 NER. Модель подходит для извлечения сущностей из коротких сообщений в социальных сетях. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

CeLLaTe-ner-2class-reinitllrd-tapt-pubmedbert-tokenizer-adapted-combData-gazetteers-lr3.36e5 — англоязычная модель токенной классификации на архитектуре BERT, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData и предназначена для разметки токенов в текстах. В оценке на тестовом наборе указаны micro F1 0,7713 и accuracy 0,9840. Модель содержит 138,2 млн параметров, принимает последовательности до 512 токенов и работает через Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не уточняет классы меток и ограничения применимости.

Это модель классификации тональности на базе DistilBERT, дообученная iam-tsr на корпусе комментариев YouTube. Она присваивает тексту одну из трёх меток: POSITIVE, NEUTRAL или NEGATIVE; модель рассчитана на разговорный английский, включая сленг, эмодзи и неформальные выражения. Архитектура — DistilBertForSequenceClassification, базовая модель distilbert/distilbert-base-uncased; контекст составляет до 512 токенов, а в обучении использовалась максимальная длина последовательности 128 токенов. Модель подходит для мониторинга реакции аудитории на видео, анализа отзывов и помощи в модерации комментариев. На тестовой выборке комментариев YouTube указаны accuracy 0,7301 и F1 0,7300. Распространяется по лицензии Apache-2.0.

GraphWalker-7B — языковая модель, дообученная авторами проекта на основе Qwen2.5-7B-Instruct для агентного ответа на вопросы по графам знаний. Она предназначена для многошагового поиска и рассуждений по крупным графам знаний, например Freebase, в цикле «обдумать — запросить — наблюдать». Для обучения использовалась синтетическая программа траекторий; модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Она принимает текстовые запросы и генерирует текст; контекстное окно составляет 32 768 токенов. В README приведены результаты оценки на CWQ и WebQSP, но без полного набора строк таблицы нельзя сделать вывод о превосходстве над альтернативами. Модель опубликована под лицензией Apache-2.0.

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.

tojpaj разработал NGO Legal Aid — Intake Routing Model для автоматической маршрутизации обращений в организации юридической помощи. Это дообученная DistilBERT-модель классификации текста с 16 категориями практики: от жилищных и семейных вопросов до иммиграции и домашнего насилия. Она предназначена для первичной сортировки описаний проблем, поданных через форму или введённых сотрудником, чтобы направить обращение в очередь подходящего специалиста. Модель построена на distilbert/distilbert-base-uncased, распространяется в формате safetensors и принимает текст с контекстом до 512 токенов. README указывает английский как основной язык классификатора; для Hindi и Punjabi в описываемой системе задействованы отдельные компоненты на базе Gemma, RAG и внешних сервисов, а распознавание речи выполняет Whisper. Эти возможности не следует приписывать самой DistilBERT-модели. Для английского в README приведены точность 74,2% и macro-F1 60,0%; это ориентиры, а не гарантия качества на новых данных. Классификатор обучен на американских юридических обращениях, поэтому категории и результаты не подтверждают применимость к правовым системам других юрисдикций. Он предназначен для маршрутизации, а не для юридических консультаций или автономных решений по делу; выводы следует проверять сотруднику. Лицензия — CC-BY-4.0.

Это четырёхбитная версия мультимодальной разговорной модели Llama 3.2 Vision Instruct, подготовленная сообществом mlx-community для запуска в формате MLX. Веса преобразованы из huihui-ai/Llama-3.2-11B-Vision-Instruct-abliterated с помощью mlx-vlm 0.1.4; исходная модель основана на Meta Llama 3.2 11B Vision Instruct и имеет архитектуру mllama с 11 млрд параметров. Модель принимает текст и изображения и генерирует текстовые ответы. Она предназначена для диалога, ответов на вопросы и рассуждений по изображениям; также поддерживает conversational-режим и интерфейс вызова инструментов. В карточке указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель помечена как abliterated и uncensored, поэтому её поведение может отличаться от исходной инструктивной версии в отношении отказов на запросы. Для использования применяются условия лицензии Llama 3.2. README указывает конвертацию в MLX и зависимость mlx-vlm; конкретная длина контекста и дополнительные ограничения качества в предоставленных данных не описаны.

Llama Guard 4 — мультимодальный классификатор безопасности от Meta с 12 млрд параметров. Это плотная модель на базе Llama 4 Scout: архитектуру Scout преобразовали из MoE в dense pruning, затем дообучили для классификации контента по категориям опасностей MLCommons. Модель принимает текстовые запросы и ответы, а также смешанные входы с несколькими изображениями, и возвращает текстовую метку безопасности с указанием нарушенных категорий. Модель предназначена для фильтрации пользовательских запросов до передачи генеративной модели и для проверки её ответов перед показом пользователю. Она поддерживает английский и мультиязычный текст, а также понимание изображений в сочетании с текстом; карточка указывает английский язык. Модель доступна в формате Safetensors и используется через Transformers. Лицензия обозначена как other; конкретные условия следует сверять с карточкой модели Meta. Ограничения связаны с данными обучения и охватом политик: качество может снижаться для оценок, требующих актуальных знаний, включая диффамацию, интеллектуальную собственность и выборы. Проверки в основном проводились на входах с несколькими изображениями, обычно около трёх; при большем их числе качество может меняться. Модель также уязвима к состязательным воздействиям и prompt injection.

MiniMax-M3-EAGLE3.1 — черновая модель EAGLE3.1 для ускорения генерации текста целевой моделью amd/MiniMax-M3-MXFP4 с помощью спекулятивного декодирования. Её разработала команда AMD Quark; модель обучена с нуля на ускорителях AMD Instinct MI350X. Это плотная архитектура на базе LlamaForCausalLMEagle3 с одним декодерным слоем, полным словарём и весами BF16. Размер — 1,7 млрд параметров; заявленный контекст — до 1 048 576 токенов. Модель принимает текст и выдаёт текст, используя токенизатор целевой модели, файлы токенизатора отдельно не поставляются. Модель предназначена для совместного запуска с MiniMax-M3-MXFP4 в vLLM на ROCm; README указывает поддержку AMD Instinct MI350X и MI355X. По приведённым тестам SPEED-Bench она повышает пропускную способность генерации и сокращает сквозную задержку, но увеличивает задержку до первого токена. Спекулятивное декодирование сохраняет распределение выходов целевой модели, поскольку каждый черновой токен проверяется ею. Лицензия — MIT.

Cbezz/modernbert-ausmed-pii — дообученная модель Cbezz для выделения персональных и медицинских идентификаторов в австралийских клинических заметках. Это encoder-модель ModernBERT с классификационной головой для токенов, примерно 149 млн параметров и контекстом до 8192 токенов. Она возвращает разметку сущностей в формате BIO для имён, адресов, контактных данных, номеров медицинских документов и других перечисленных в карточке категорий; класс MEDICAL_ENTITY предназначен для распознавания медицинских терминов как сложных отрицательных примеров, а не для их удаления. Модель подходит для извлечения PII перед последующей проверкой или обезличиванием клинических текстов. Обучение проводилось на 17 817 синтетических заметках; в README приведены значения F1 0,8835 на тестовой выборке и 0,8811 на отложенной выборке. Эти результаты относятся к указанным синтетическим данным, поэтому качество на реальных клинических записях может отличаться. Модель выпущена под лицензией Apache-2.0.

OpenMed-PII-BiomedELECTRA-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная модель токенной классификации на базе microsoft/BiomedNLP-BiomedELECTRA-large-uncased-abstract; в метаданных указаны архитектура семейства BERT, 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель предназначена для выявления 54 типов чувствительных сущностей, включая имена, адреса, номера медицинских карт, контактные и финансовые данные. Её можно применять для обезличивания клинических записей и документов, проверки текстов на утечки данных, подготовки наборов данных к исследованиям и поддержки процессов соблюдения требований конфиденциальности. В README приведён результат micro F1 0,9544 на тестовой выборке из 2 000 примеров NVIDIA Nemotron-PII; качество различается по типам сущностей. Модель рассчитана преимущественно на английский текст, может пропускать чувствительные данные и требует проверки человеком в критичных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-German-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная модель BERT для классификации токенов на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract; она содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Она предназначена для выявления и удаления персональных данных из клинических записей и документов, подготовки наборов данных к исследованиям и проверки коллекций документов. В оценке на немецкой части AI4Privacy модель показала micro-F1 0,9370. Модель обучена на немецких данных и может хуже работать с другими языками или терминологией специализированных областей. Это вспомогательный инструмент: пропуски возможны, поэтому результаты для важных сценариев следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-German-BiomedBERT-Large-340M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная архитектура BERT для классификации токенов: она выделяет 54 типа чувствительной информации, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные и даты. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт BIO-разметку токенов. Модель предназначена для автоматического выявления и удаления персональных данных из клинических записей, медицинских документов и других текстовых коллекций, а также для подготовки данных к исследованиям и аудита документов. В README приведён результат micro F1 0,9508 на немецкой части набора AI4Privacy; обучение описано на BIO-размеченном немецком подмножестве AI4Privacy PII Masking 400k. Модель оптимизирована для немецкого языка, а качество на других языках не гарантируется. Возможны пропуски чувствительных данных, поэтому результаты для критически важных сценариев следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-BiomedELECTRA-Base-110M-v1 — модель OpenMed для выявления и классификации персональных данных в немецком тексте. Это дообученный трансформер BiomedELECTRA с архитектурой BERT, предназначенный для токенной классификации; по метаданным размер модели составляет 136,7 млн параметров, а максимальная длина контекста — 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, контактные данные, финансовые и медицинские идентификаторы. Она подходит для обезличивания клинических записей и документов, подготовки данных к исследованиям, проверки коллекций документов и поддержки процессов соблюдения требований GDPR. В оценке на немецкой части набора AI4Privacy указаны micro-F1 0,9179, точность 0,9110 и полнота 0,9250. Модель оптимизирована для немецкого языка; на других языках качество может быть ниже. Возможны пропуски персональных данных, а результат зависит от терминологии и контекста, поэтому для критичных сценариев нужна проверка человеком. Лицензия — Apache-2.0.

OpenMed-PII-German-FastClinical-Small-82M-v1 — модель OpenMed для обнаружения и классификации персональных и медицинских данных в немецком тексте. Это дообученная на задаче разметки токенов RoBERTa-модель с 95,2 млн параметров и контекстом до 514 токенов; она принимает текст и присваивает метки сущностям, включая имена, адреса, идентификаторы, медицинские номера, контакты и финансовые сведения. README описывает применение для обезличивания клинических записей и документов, проверки коллекций и подготовки исследовательских данных; модель обучалась на немецкой части AI4Privacy PII Masking 400k. В README заявлены 54 типа сущностей и micro-F1 0,9386 на немецком подмножестве AI4Privacy. Модель может ускорить поиск чувствительных фрагментов, но предназначена для помощи, а не замены проверки человеком: возможны пропуски, а качество зависит от терминологии и контекста. Оптимизирована для немецкого и может работать хуже на других языках. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Spanish-SnowflakeMed-Large-568M-v1 — модель токеновой классификации на базе XLM-RoBERTa, дообученную для поиска и классификации 54 типов персональных и чувствительных данных в испанском тексте. Она насчитывает 658,7 млн параметров, принимает текст и возвращает метки сущностей с позициями в тексте; контекст — до 8194 токенов. Модель предназначена для выявления имён, адресов, идентификаторов, контактных, медицинских и финансовых сведений в клинических записях и документах. Её можно применять для предварительного обезличивания данных, подготовки наборов для исследований и аудита документов. В README сообщается о результате micro-F1 0,9495 на испанской части AI4Privacy; это не гарантирует такую же точность на других данных. Для лучшей работы авторы рекомендуют удалять диакритические знаки из входного текста; смещения найденных сущностей можно сопоставить с исходным текстом. Возможны пропуски чувствительных данных, а качество зависит от предметной области; критические результаты требуют проверки человеком. Модель опубликована под лицензией Apache-2.0.

OpenMed-PII-SuperClinical-Large-434M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в тексте. Это дообученная на задаче токенной классификации модель Microsoft DeBERTa V3 Large с архитектурой DeBERTa V2; в метаданных указано 533,8 млн параметров и контекст до 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и сведения из медицинских записей. Модель предназначена для выявления PII в клинических заметках, медицинских документах и текстовых коллекциях, например перед обезличиванием данных, аудитом документов и подготовкой наборов данных. В README приведён результат micro F1 0,9608 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей, а для некоторых категорий оно ниже. Модель рассчитана прежде всего на английский текст и может пропускать чувствительные данные, поэтому результаты в критичных сценариях требуют проверки человеком. Распространяется по лицензии Apache-2.0.

OpenMed-PII-SuperClinical-Small-44M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная на NVIDIA Nemotron-PII модель DeBERTa V3 Small с архитектурой DeBERTa V2 для токен-классификации. Метаданные указывают 155 млн параметров и контекст до 512 токенов; README заявляет распознавание 54 типов сущностей, включая имена, адреса, номера социального страхования, медицинские записи, контактные, финансовые и сетевые данные. Модель предназначена для разметки чувствительных фрагментов в клинических заметках, медицинских документах и других текстах, чтобы поддерживать обезличивание, аудит и подготовку данных. В README приведён результат micro-F1 0,9539 на тестовой выборке из NVIDIA Nemotron-PII. Качество различается по типам сущностей: для некоторых категорий возможны пропуски, а точность зависит от предметной лексики; автор рекомендует проверку человеком в критичных сценариях. Основной язык обучения — английский. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-rw-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка киньяруанда (rw) на английский (en) и предназначена для перевода предложений и текстов в приложениях и рабочих процессах обработки языков. Модель использует архитектуру Marian Transformer с выравниванием, нормализацию и токенизацию SentencePiece; содержит 56,1 млн параметров, а её родная длина контекста составляет 512 токенов. В карточке приведены оценки BLEU 37,3 на JW300.rw.en и 49,8 на Tatoeba.rw.en. Модель поддерживает направление rw→en; результаты на этих тестовых наборах не гарантируют качество для всех типов текстов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-lt-en — модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT. Она переводит текст с литовского языка на английский и предназначена для интеграции в приложения и сервисы перевода. Архитектура — Transformer-big; модель содержит 160,6 млн параметров, использует токенизацию SentencePiece и поддерживает контекст до 1024 токенов. Модель обучена на данных OPUS с использованием конвейера OPUS-MT-train и выпущена под лицензией CC BY 4.0. В README приведены результаты оценки на нескольких тестовых наборах, включая Tatoeba и FLORES-101. Указанные оценки относятся к этим наборам и не гарантируют качество на других типах текстов.

OuteTTS 1.0 0.6B — компактная модель синтеза речи от OuteAI, построенная на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 513,9 млн параметров. Она принимает текст и формирует аудио, поддерживает клонирование голоса по образцу и пакетную генерацию через библиотеку outetts. Модель обучена на английском, китайском, нидерландском, французском, грузинском, немецком, венгерском, итальянском, японском, корейском, латышском, польском, русском и испанском языках; заявленная длина контекста в метаданных — 40 960 токенов. Модель подходит для озвучивания текста, создания голосовых интерфейсов и генерации речи голосом из предоставленного образца. Для лучшего качества рекомендуется создать профиль диктора на целевом языке; при переносе голоса между языками могут сохраняться его акцент и особенности произношения. README указывает оптимальную длительность генерации около 42 секунд и предупреждает, что при собственной реализации важно применять штраф за повторы к окну из 64 последних токенов. Модель распространяется по лицензии Apache-2.0. Для клонирования голоса README требует явного предварительного согласия человека и запрещает обманное или незаконное использование.

polish-reranker-base-ranknet — модель ранжирования польских текстов, разработанная для поиска и информационного извлечения. Она основана на польской RoBERTa и обучена с функцией потерь RankNet на парах запросов и документов: выборка включала около 1,4 млн запросов и 10 млн документов. В качестве учителя использовалась multilingual-модель unicamp-dl/mt5-13b-mmarco-100k, а RoBERTa выступала компактной моделью-учеником. Модель оценивает релевантность документов запросу и упорядочивает их, поэтому её можно применять для повторного ранжирования результатов, полученных на этапе первичного поиска. Обучающие данные включали польскую часть MS MARCO, переведённый на польский ELI5 и коллекцию польских медицинских вопросов и ответов. В бенчмарке Polish Information Retrieval Benchmark модель показала NDCG@10 60,32 в категории rerankers. Архитектура — RobertaForSequenceClassification, размер — 151,6 млн параметров, длина контекста — 514 токенов. Лицензия Apache-2.0.

representativedownscaled — дообученная Henry202 модель на базе meta-llama/Llama-3.2-1B-Instruct, обученная с помощью TRL. Она предназначена для классификации текста с выдачей оценки score; пример в карточке показывает применение оценки как награды для текстового ответа. Модель имеет архитектуру LlamaForSequenceClassification, около 1,2 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Модель может подойти для оценки или ранжирования текстовых ответов в пайплайне обучения и отбора ответов. Карточка не приводит сведения о данных обучения, калибровке оценок или проверках качества, поэтому точность и переносимость оценок на новые задачи не установлены. Лицензия в предоставленных данных не указана.

Kate-lf/rag-qa-base-bert — модель BERT для ответа на вопросы, разработанная дообучением bert-base-chinese. Она предназначена для сценариев question answering, в том числе поиска ответа в контексте при работе с системами RAG. Модель содержит 129,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на китайский язык. В README приведены результаты оценки: exact match 58,7 и F1 58,7 на 6859 примерах; метрики заметно различаются для вопросов с ответом и без ответа. Датасет обучения не назван, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — Apache-2.0.

Realtime-Venus — разработанная inclusionAI мультимодальная система для потокового общения в реальном времени. В репозитории описаны варианты Realtime-Venus-Omni и Realtime-Venus-Audio; каждый содержит 9 млрд параметров и основан на архитектуре MiniCPM-o 4.5 / Omni-Flow. Версия Omni использует визуальный энкодер SigLIP2, а версия Audio предназначена для аудиосценариев без визуального энкодера во время инференса. Система принимает потоковые аудио- и видеоданные, поддерживает диалог с одновременным восприятием и речевым ответом, учитывает перебивания и может сама начать отвечать на значимое событие. Omni также поддерживает поиск по длинному видео с использованием памяти без дополнительного обучения. Генерация текста и речи использует встроенные ресурсы Token2wav и референсный голос; делегирование внешним инструментам требует отдельной среды Realtime-Venus-Harness. Модель ориентирована на английский и китайский языки. Для инференса примеров README указывает Python 3.10, CUDA и FFmpeg. Видеопоток ограничивается настройкой максимального числа кадров, а при офлайн-обработке длинных видео аудио может превысить бюджет входных токенов. Лицензия репозитория — Apache-2.0.

ScandiNLI Large v2 — модель естественного логического вывода для датского, норвежского букмола и шведского языков, разработанная AI Sweden. Это дообученная модель RoBERTa Large на 454,1 млн параметров; она принимает текстовые посылки и гипотезы и определяет их отношение, поддерживая сценарии zero-shot-классификации. Контекст модели — до 514 токенов. Модель подходит для классификации текстов по пользовательским категориям и проверки того, следует ли гипотеза из посылки, противоречит ей или не связана с ней. В оценке авторов версия v2 показала в среднем по трём скандинавским языкам точность 84,95% и macro-F1 75,41%. Для шведского и норвежского оценка проводилась на машинно переведённом MultiNLI, поэтому эти результаты могут не полностью отражать качество на оригинальных данных. Модель распространяется по лицензии Apache-2.0.