I.14Автоматизация процессов и AI-агенты

google/tapas-tiny-finetuned-wtq — компактная модель TAPAS от Google для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, преобразованную в последовательность текста, и определяет нужные ячейки и способ агрегировать их значения. Модель основана на архитектуре, подобной BERT, содержит 4,4 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предварительно обучалась на английских таблицах и сопутствующих текстах, а затем последовательно дообучалась на SQA, WikiSQL и WikiTable Questions (WTQ). По сравнению с обычной языковой моделью TAPAS учитывает структуру таблицы и поддерживает числовое рассуждение; версия по умолчанию сбрасывает позиционные индексы в каждой ячейке. Подходит для извлечения ответов и значений из англоязычных таблиц. Опубликована по лицензии Apache-2.0. Качество зависит от соответствия таблиц и вопросов обучающим данным; ограничение в 512 токенов сужает размер таблицы, которую можно обработать за один запрос.

TAPEX base — модель Microsoft на архитектуре BART, обученная предварительно для рассуждений по таблицам через имитацию выполнения SQL-запросов. Она принимает таблицу и запрос на естественном языке или SQL и генерирует текстовый ответ, подходящий для задач вопросов и ответов по таблицам. Модель содержит 95,2 млн параметров, использует архитектуру encoder-decoder и имеет контекст длиной до 1024 токенов. Карточка указывает английский язык и лицензию MIT. Базовую версию можно применять для симуляции выполнения SQL над таблицами; для специализированных задач модель предполагается дообучать на размеченных наборах данных. В README также упоминается дообучение для проверки фактов по таблицам, однако основной тег модели — ответы на вопросы по таблицам.

EIStakovskii/xlm_roberta_base_multilingual_toxicity_classifier_plus — модель классификации текста, разработанная на основе XLM-RoBERTa Base и дообученная для выявления токсичности. Она присваивает тексту одну из двух меток: Label_1 — токсичный, Label_0 — нетоксичный. Модель предназначена для проверки пользовательских сообщений и другого текста на английском, русском, французском и немецком языках. Модель использует архитектуру XLMRobertaForSequenceClassification, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указана точность 92% на валидации. Обучающие данные включали тексты на четырёх языках, в том числе переводы и собранные вручную примеры; подробности описания набора данных в README частично неполны. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с репозиторием.

Auralis — модель синтеза речи, разработанная AstraMind.ai на основе Coqui XTTS-v2. Она преобразует текст в речь, поддерживает клонирование голоса по короткому аудиофрагменту, потоковую генерацию длинных текстов и параллельную обработку запросов. Модель содержит 510,2 млн параметров; в репозитории указаны веса safetensors. README описывает оптимизацию для GPU, включая NVIDIA RTX 3090, и применение для озвучивания книг, диалогов, подкастов и голосовых дорожек. Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, польского, турецкого, русского, нидерландского, чешского, арабского, упрощённого китайского, венгерского, корейского, японского и хинди. По README, модель подходит для интеграции в приложения через Python API и для создания аудиоверсий текстов. Лицензия указана как Apache 2.0, однако для компонентов базовой XTTS-v2 README отдельно указывает лицензию Coqui AI; условия использования производной модели и компонентов следует оценивать с учётом обеих лицензий.

Arabic Medical Classification Model (AraBERTv2) — модель на базе aubmindlab/bert-base-arabertv2, дообученная для классификации арабских медицинских вопросов и ответов по 89 категориям, включая кардиологию, неврологию и эндокринологию. Разработчик — AymanElbery. Модель предназначена для разметки медицинских текстов в системах вопросов и ответов, виртуальных помощниках и медицинских чат-ботах. Она принимает текст на арабском языке, включая современный стандартный арабский и некоторые диалекты, и выдаёт метку класса. Архитектура — BERT для классификации последовательностей, размер — 162,4 млн параметров, максимальная длина контекста — 512 токенов. Обучение проводилось на частном наборе из 800 000 пар «вопрос, ответ, классификация». Модель распространяется под лицензией Apache-2.0. Она классифицирует тексты по заданным медицинским категориям, но карточка не подтверждает её пригодность для постановки диагнозов или медицинских рекомендаций; качество на других диалектах и вне обучающих категорий не описано.

Карточка модели droplychee/droplychee-00011 на Hugging Face совпадает с карточкой droplychee/droplychee-2.2, поэтому описание составлено по ней. droplychee/droplychee-2.2 — дообученная droplychee мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, основанная на unsloth/Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией; в метаданных также заявлен интерфейс вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Размер модели, длина контекста и конкретные языковые возможности, кроме английского языка в тегах, в доступных данных не описаны.

Карточка модели EdgeAIMed/EdgeAIMed-PII-SuperClinical-Large-434M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-SuperClinical-Large-434M-v1, поэтому описание составлено по ней. 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.

Карточка модели weixuruoling/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.

legal-embed-modernbert-v1 — англоязычная модель эмбеддингов, разработанная автором репозитория путём дообучения nomic-ai/modernbert-embed-base на 16 068 парах вопросов и ответов с Law StackExchange. Она предназначена для поиска наиболее релевантного ответа или фрагмента по текстовому юридическому вопросу: например, для поиска по юридическим форумам, FAQ и материалам службы поддержки, а также для RAG-систем. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Обучение использовало максимальную длину последовательности 256 токенов и MatryoshkaLoss; векторы можно сокращать до 512, 256, 128 или 64 измерений с умеренной потерей качества. Для запросов и документов требуются префиксы «search_query: » и «search_document: » соответственно. В оценке поиска среди 1000 кандидатов на отложенных парах Law StackExchange модель показала Accuracy@1 0,893, Recall@10 0,994 и MRR 0,931. Она специализирована на разговорных юридических вопросах и уступает базовой модели при поиске по положениям договоров. Модель выдаёт эмбеддинги для поиска и сравнения, а не юридические рекомендации; её результаты не заменяют консультацию юриста. Лицензия — Apache-2.0.

Llama-4-Scout-17B-16E-Instruct-6bit — мультимодальная диалоговая модель семейства Llama 4, конвертированная сообществом mlx-community из meta-llama/Llama-4-Scout-17B-16E-Instruct в формат MLX с 6-битным представлением весов. Модель принимает текст и изображения и генерирует текстовые ответы; поддерживает интерфейс вызова инструментов. Она предназначена для диалогов, ответов на вопросы по изображениям и других сценариев визуального понимания. В карточке базовой модели перечислены арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский и вьетнамский языки. Для запуска в MLX README указывает библиотеку mlx-vlm. Репозиторий также помечен лицензией other; условия следует сверять с карточкой исходной модели Meta.

SafetyGuard Content Binary Guard — текстовый классификатор K-intelligence на базе дообученной Llama 3.1 8B. Он проверяет ответы языковых моделей и присваивает им одну из двух меток: SAFE или UNSAFE; модель рассчитана на потоковую проверку растущих фрагментов ответа с возможностью остановить выдачу при обнаружении небезопасного содержания, а также на классификацию полного текста. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно 8192 токена. Обучающие данные преимущественно корейские, поэтому качество на других языках не гарантируется. В README описаны категории риска, включая насилие, сексуальный контент и самоповреждение; модель не учитывает историю диалога и может ошибаться, особенно в специализированных областях. Лицензия — llama3.1.

whr778/mmbert-base-rams — модель извлечения информации на базе GLiNER2, дообученная автором на энкодере jhu-clsp/mmBERT-base. Она предназначена для извлечения событий из англоязычных текстов: определения типа события, нахождения триггера и выделения аргументов с их ролями. В обучающем наборе RAMS было 7 329 примеров; модель охватывает 139 типов событий и 65 ролей аргументов. На тестовой выборке модель показала F1 0,964 для определения типа события и 0,611 для извлечения триггеров. Качество извлечения аргументов значительно ниже: F1 0,050 при строгом сопоставлении и 0,213 при более мягком. Модель также описана как поддерживающая извлечение сущностей, отношений и классификацию, однако приведённые метрики относятся к извлечению событий. Лицензия указана как other, поэтому условия использования следует проверять в репозитории и у источников обучающих данных.

NVIDIA-Nemotron-Labs-Teacher-Competition-Coding — языковая модель NVIDIA для соревновательного программирования и алгоритмических задач. Она создана на основе постобученной Nemotron 3 Ultra: модель прошла дополнительное обучение с учителем на задачах программирования и обучение с подкреплением. В рецепте Nemotron 3 Ultra она также служит специализированной моделью-учителем для дистилляции, а как отдельный чекпойнт предназначена для генерации решений, кода и рассуждений по сложным задачам. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, отдельными слоями внимания и Multi-Token Prediction. Она содержит 550 млрд параметров, из которых активно задействуются 55 млрд; заявленная длина контекста в метаданных — 262 144 токена. Модель работает с текстом и кодом, поддерживает английский и ряд других языков, включая французский, испанский, немецкий, японский, корейский, хинди, арабский и китайский. Карточка описывает её как подходящую для коммерческого и некоммерческого использования, но метаданные указывают лицензию «other» без уточнения её условий.

OpenMed-PII-BigMed-Large-560M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученная на NVIDIA Nemotron-PII модель XLM-RoBERTa Large с архитектурой токенной классификации и примерно 658,7 млн параметров. Она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения; длина контекста — 514 токенов. Модель предназначена для поиска чувствительных данных в медицинских записях и документах, их последующего удаления или обезличивания, а также подготовки наборов данных и аудита документов. В README указана оценка micro F1 0,9604 на тестовой выборке NVIDIA Nemotron-PII; качество различается по типам сущностей, а для ряда категорий оно ниже. Основной язык обучения — английский, поэтому качество на других языках не следует считать подтверждённым. Модель может помогать в процессах защиты данных и соблюдения требований конфиденциальности, но не заменяет проверку человеком: возможны пропуски персональных данных, а результаты зависят от предметной области и контекста. Распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-PII-BiomedELECTRA-Base-110M-v1 — англоязычную модель на базе BiomedELECTRA для токенной классификации и обнаружения 54 типов персональных и медицинских идентификаторов в тексте. Модель дообучена на наборе NVIDIA Nemotron-PII; архитектура относится к семейству BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска чувствительных данных в клинических записях, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и аудит приватности. В README сообщается о micro F1 0,9431 на тестовой выборке из 2 000 примеров; среди распознаваемых сущностей есть имена, адреса, медицинские номера, финансовые и контактные данные. Результаты могут зависеть от предметной области: для некоторых категорий, включая время, пол и религиозные убеждения, качество ниже. Возможны пропуски, поэтому критически важные результаты требуют проверки человеком; модель обучена преимущественно на английском языке. Распространяется по лицензии Apache-2.0.

OpenMed-PII-French-ClinicDischarge-Base-110M-v1 — модель OpenMed для поиска и классификации персональных данных во французском тексте. Это трансформер BERT с архитектурой BertForTokenClassification, дообученный на базе emilyalsentzer/Bio_Discharge_Summary_BERT. Модель насчитывает 135,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт BIO-разметку токенов по 54 типам чувствительных сущностей. Модель предназначена для выявления имён, адресов, идентификаторов, контактных, медицинских и финансовых сведений в клинических выписках, медицинских записях и других документах на французском языке. Её можно применять для предварительной деидентификации данных, подготовки корпусов к исследованиям и аудита документов. В README сообщается о micro-F1 0,9429 на французской части AI4Privacy; результат зависит от текста и условий применения. Модель выпущена в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Авторы рекомендуют использовать её как вспомогательный инструмент с проверкой человеком: часть PII может быть пропущена, а качество на других языках и текстах с узкой терминологией может снижаться.

OpenMed-PII-German-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Она дообучена на базе emilyalsentzer/Bio_ClinicalBERT и использует архитектуру BERT с токенной классификацией; содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель размечает 54 типа чувствительных сущностей, в том числе имена, адреса, идентификаторы, финансовые и медицинские сведения, контактные данные и даты. Её используют для поиска персональных данных в клинических записях и документах, подготовки данных к исследованиям и поддержки обезличивания в рабочих процессах с требованиями приватности. В карточке сообщается оценка micro F1 0,9316 на немецкой части набора AI4Privacy. Модель рассчитана на немецкий язык; качество на других языках и в специализированных предметных областях может снижаться. Возможны пропуски персональных данных, поэтому результаты следует проверять человеком, особенно в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это плотная трансформерная модель семейства BERT, дообученная на базе emilyalsentzer/Bio_ClinicalBERT и реализованная как BertForTokenClassification. Она обрабатывает последовательности токенов с контекстом до 512 токенов и выдаёт BIO-разметку для 54 типов чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые данные, контакты и даты. Модель предназначена для поиска персональных данных в клинических записях и документах, их обезличивания, подготовки наборов данных к исследованиям и аудита коллекций документов. В README сообщается о Micro F1 0,9260 на итальянской части набора AI4Privacy PII Masking 400k. Лицензия — Apache-2.0. Модель оптимизирована для итальянского языка. README предупреждает о возможных пропусках персональных данных и изменении качества на специализированной терминологии; результаты для критически важных сценариев следует проверять человеком.

OpenMed-PII-Italian-LiteClinical-Small-66M-v1 — компактная модель OpenMed на архитектуре DistilBERT, дообученная для классификации токенов и обнаружения персональных данных в итальянском тексте. Она размечает 54 категории чувствительной информации, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения, с метками BIO. Модель предназначена для автоматизированного 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 оценки на итальянской части AI4Privacy: micro F1 0,9435. Модель принимает текст и выдаёт последовательность меток для токенов; контекст ограничен 512 токенами. Для применения в чувствительных сценариях требуется проверка человеком: возможны пропуски, а качество может зависеть от терминологии; для языков, кроме итальянского, модель не оптимизирована. Лицензия — Apache 2.0.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в текстах на португальском языке. Это дообученная на задаче классификации токенов трансформерная модель семейства DeBERTa V2; в метаданных указано 155 млн параметров, а в README — 44 млн. Она принимает последовательности текста длиной до 512 токенов и размечает чувствительные фрагменты, включая имена, адреса, идентификаторы, медицинские сведения, контактные и финансовые данные. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных к исследованиям и поиска персональных данных при аудите. README сообщает о результате micro F1 0,8849 на португальском тестовом наборе AI4Privacy и синтетических данных. Модель дообучена на основе microsoft/deberta-v3-small и распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана прежде всего на португальский текст, включая локальные форматы данных Бразилии. Модель служит вспомогательным средством: часть персональных данных может быть пропущена, а качество зависит от контекста и терминологии; результаты для других языков могут быть хуже. Для критически важных сценариев README рекомендует проверку человеком.

OpenMed разработала OpenMed-PII-Spanish-BioClinicalModern-Large-395M-v1 — модель разметки токенов для обнаружения и классификации персональных данных в испанском тексте. Она дообучена на BioClinical-ModernBERT-large и предназначена для деидентификации клинических записей, медицинских документов и других текстовых коллекций, а также для подготовки данных к исследованиям и аудита документов. Модель построена на архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Она выделяет 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые сведения, контактные данные, организации и даты. В оценке на испанской части AI4Privacy заявлен micro-F1 0,9142. Модель обучалась на тексте без диакритических знаков; для лучшего качества README рекомендует удалять акценты перед обработкой. Результаты требуют проверки человеком: часть персональных данных может быть пропущена, а качество может снижаться на специализированной терминологии и языках, отличных от испанского. Модель распространяется по лицензии Apache-2.0.

Openn_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для отнесения текста к классам; конкретные метки и прикладной сценарий в карточке не раскрыты. Модель построена на архитектуре DeBERTa-v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. В приведённой оценке на тестовом наборе указаны accuracy 0,67, precision 0,6977, recall 0,5985, F1 0,6443 и AUC 0,7168. Данные для обучения обозначены как None, поэтому воспроизвести результаты или определить предметную область по карточке нельзя. Распространяется по лицензии MIT.

Helsinki-NLP/opus-mt-fr-ro — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на румынский и основана на архитектуре Transformer-align. Модель содержит 54,2 млн параметров, использует нормализацию и токенизацию SentencePiece; для обработки текста указан контекст до 512 токенов. Модель подходит для перевода французских текстов на румынский, включая автоматизированный перевод и локализацию. В README приведён результат BLEU 42,1 на тестовом наборе Tatoeba.fr.ro. Доступны веса в форматах PyTorch и TensorFlow. Лицензия Apache-2.0 разрешает свободное использование при соблюдении её условий.

Helsinki-NLP/opus-mt-ja-pl — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с японского на польский; направление перевода одноязычное в смысле фиксированной пары ja→pl. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Для обработки текста применяются нормализация и SentencePiece с сегментаторами spm32k для входного и выходного текста. Модель подходит для перевода японских фраз и документов на польский, включая текст с разными японскими письменностями. В карточке приведён результат BLEU 15,7 на Tatoeba-test.jpn.pol. Распространяется по лицензии Apache-2.0; среди доступных форматов указаны PyTorch и TensorFlow.

PhoBERT-VFQT-Cls — модель классификации вьетнамских финансовых вопросов, разработанная tiam4tt на основе PhoBERT-base-v2. Это энкодерный трансформер семейства RoBERTa с архитектурой RobertaForSequenceClassification и 162,4 млн параметров; модель дообучена для отнесения вопроса к одному из четырёх типов и принимает текст. Её можно использовать для маршрутизации вопросов к поиску фактов, суммаризации, проверке или сравнению, а также для анализа распределения типов вопросов в наборе данных. В тестировании автор сообщает accuracy 0,9486 и macro F1 0,9508. Модель рассчитана на вьетнамские финансовые вопросы. Она выдаёт ровно одну метку, поэтому не подходит для вопросов с несколькими намерениями; качество может снижаться на других стилях текста и темах. Автор также не рекомендует использовать её для невьетнамских текстов, входов, не являющихся вопросами, или в медицинских и юридических сценариях без дополнительной проверки. Контекст составляет 258 токенов. Лицензия — MIT.

Prompt Generator — текстовая модель ByteWave для создания и настройки промптов для больших языковых моделей. Она предназначена для авторов контента, исследователей и разработчиков, которым нужно быстро подготовить запросы для разных LLM. Модель основана на плотной архитектуре Llama и содержит 3,3 млрд параметров. Она обучена на openlm-research/open_llama_3b_v2; среди указанных обучающих наборов — коллекции примеров промптов для ChatGPT. Модель генерирует текст, поддерживает английский язык и имеет контекст длиной 2048 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка заявляет генерацию промптов для разных LLM, однако не приводит количественных оценок качества или подробных результатов тестирования.

Модель dennlinger/roberta-cls-consec разработана для обнаружения тематических переходов в документах. Это дообученная RoBERTa-base с архитектурой RobertaForSequenceClassification и примерно 151,8 млн параметров. Она принимает два текстовых фрагмента, разделённых токеном [SEP], и определяет, относятся ли они к одной теме. На основе последовательных оценок пар абзацев можно сегментировать документ на тематические разделы. Модель обучалась на примерах из условий предоставления услуг; в обучающей постановке использовались целые абзацы и последовательности длиной до 512 токенов. Для новостных статей, Википедии и других общих текстов качество может быть низким. Модель не предназначена для классификации отдельного текста. Доступны веса в форматах PyTorch, Flax и safetensors; загрузка поддерживается через Transformers pipeline. Лицензия в предоставленных данных не указана.

pirocheto/schp-atr-18 — модель семантической сегментации для разбора изображений людей на области одежды и части тела. Это чекпойнт SCHP (Self-Correction for Human Parsing), разработанный на основе оригинального проекта PeikeLi/Self-Correction-Human-Parsing. Архитектура сочетает ResNet-101 с механизмом самокоррекции; модель обучена на наборе ATR и выделяет 18 классов, включая фон, предметы одежды и части тела. Входное изображение обрабатывается при размере 512 × 512 пикселей, а результат включает карты логитов сегментации и границ. Модель предназначена для подготовки изображений моды: извлечения масок отдельных предметов одежды, автоматической разметки каталогов, предварительной обработки для виртуальной примерки и ускорения аннотирования датасетов. Для ATR указано значение mIoU 82,29%. В репозитории также доступны файлы ONNX; README сообщает о варианте статической INT8-квантизации с близким к FP32 попиксельным совпадением. Лицензия MIT.

SecureModernBERT-NER — англоязычная модель распознавания именованных сущностей в текстах киберугроз, разработанная автором репозитория на базе answerdotai/ModernBERT-large. Это плотный энкодер ModernBERT с 394,7 млн параметров, дообученный для токенной классификации 22 типов сущностей CTI: от групп угроз, вредоносных программ и CVE до IP-адресов, доменов, URL, хешей и ключей реестра. Модель рассчитана на разметку отчетов об угрозах, извлечение индикаторов компрометации, обогащение баз знаний и подготовку данных для систем поиска с дополненной генерацией. Поддерживает контекст до 8192 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. Обучение проводилось на англоязычных источниках с более чем 502 тысячами размеченных текстовых фрагментов. Валидационный micro-F1 на уровне сущностей составляет 0,8476. Модель возвращает метки и границы сущностей, но не нормализует их, не расшифровывает обфускацию вроде hxxp и не проверяет подлинность индикаторов. Возможны ошибки на редких типах сущностей и неоднозначных либо зашумленных текстах, поэтому результаты стоит проверять и дополнять последующей валидацией. Лицензия — MIT.

TAPAS — модель на основе Transformer, разработанная Google и дообученная для ответов на вопросы по таблицам из WikiSQL. Она принимает вопрос на естественном языке вместе с таблицей и выбирает релевантные ячейки, при необходимости выполняя агрегирование. Модель предобучалась на английских текстах и таблицах Википедии, затем дообучалась на SQA и WikiSQL; архитектура включает BERT-подобный кодировщик, головку выбора ячеек и головку агрегирования. Размер — 136,7 млн параметров, максимальный контекст — 1024 токена. Модель подходит для извлечения значений из таблиц и ответов на вопросы, включая простые числовые рассуждения. Она рассчитана на английский язык и табличные данные; качество за пределами сценариев, похожих на WikiSQL, не подтверждено карточкой. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия — Apache-2.0.