I.14Автоматизация процессов и AI-агенты

thealper2/tapas-wtq — модель, созданная дообучением google/tapas-base на датасете WikiTableQuestions для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, выбирает релевантные ячейки и определяет операцию агрегации: без агрегации, SUM, AVERAGE или COUNT. Архитектура TAPAS реализована в Transformers; модель содержит 136,7 млн параметров, использует формат safetensors и рассчитана на контекст до 1024 токенов. Поддерживаемый язык — английский. На validation-разбиении WikiTableQuestions точность ответа после нормализации составила 0,3178; точность выбора ячеек — 0,2715, а определения агрегации — 0,7412. Эти результаты относятся к указанному набору данных и не гарантируют качество на других таблицах. Лицензия — Apache-2.0.

mukayese/transformer-turkish-summarization — модель суммаризации текста на архитектуре BART, разработанная авторами репозитория и обученная с нуля на турецкой части набора MLSUM без предварительного предобучения. Она предназначена для автоматического составления кратких версий турецких текстов. Модель содержит 81,2 млн параметров и принимает последовательности длиной до 1024 токенов. В карточке приведены результаты оценки на тестовой выборке: ROUGE-1 43,20, ROUGE-2 30,71, ROUGE-L 38,20 и ROUGE-Lsum 39,95. Модель работает с текстом и выдаёт текстовое резюме; она без учёта регистра. Лицензия — MIT.

Это перенесённая в Transformers версия модели S3PRL на базе wav2vec2-base, подготовленная для классификации намерений в речи в рамках бенчмарка SUPERB. Модель содержит 113,3 млн параметров и принимает речевое аудио с частотой дискретизации 16 кГц. Она определяет намерение высказывания по заранее заданным категориям Fluent Speech Commands: действие, объект и место. В оценке SUPERB для исходной версии S3PRL указана точность 0,9235; результат версии Transformers не приведён. Модель предназначена для англоязычной речи. Лицензия — Apache-2.0.

GreenMap/yolo11x-blueprint-legend-layout-detector — модель YOLO11x от GreenMap для обнаружения элементов легенд на архитектурных планах и строительных чертежах. Она находит графические символы и штриховки, текстовые описания и целые строки легенды, связывающие символ с описанием. Модель обучена на планах этажей и строительных чертежах; использует Ultralytics и представлена в формате PyTorch. Размер входного изображения при обучении — 1472 × 1472 пикселя. На валидационной выборке из 68 изображений модель показала mAP50 0,918 и mAP50-95 0,735; для классов символов и описаний mAP50 составила 0,993. Эти показатели относятся к указанной выборке и не гарантируют такого же качества на чертежах другого типа. Лицензия — Apache-2.0.

Z-Jafari/bert-fa-base-uncased-finetuned-DS_Q_NoH — дообученная на неизвестном наборе данных модель BERT для ответов на вопросы. Она основана на HooshvareLab/bert-fa-base-uncased, содержит около 190 млн параметров и принимает текст с контекстом и вопросом, возвращая ответ, извлечённый из контекста. Модель рассчитана на персидский язык; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: exact match 74,0 и F1 77,75. Модель использует библиотеку Transformers и опубликована в формате safetensors. Лицензия — Apache-2.0. Назначение и состав обучающего набора данных не раскрыты, поэтому результаты не гарантируют качество на других типах текстов.

Модель muhtasham/bert-small-finetuned-xglue-ner — компактная модель BERT, дообученная на наборе WNUT 17 для распознавания именованных сущностей и классификации токенов. Она принимает текст и присваивает метки отдельным токенам, поэтому подходит для извлечения сущностей из пользовательских текстов. В основе лежит google/bert_uncased_L-4_H-512_A-8; модель содержит 32,4 млн параметров и поддерживает контекст до 512 токенов. На оценочной выборке WNUT 17 указаны F1 0,4749, точность 0,5932, полнота 0,3959 и accuracy 0,9252. Эти результаты указывают на ограниченное качество извлечения сущностей, особенно по полноте; перед применением в конкретной области модель следует проверить на соответствующих данных. Лицензия — Apache 2.0.

AsmaAwad/distilbert-base-uncased-NaturalQuestions — дообученная модель DistilBERT для извлечения ответов на вопросы из контекста. Она основана на distilbert-base-uncased и обучалась на наборе NaturalQuestions; карточка связывает её применение с курсом NLP4Web Технического университета Дармштадта. Модель принимает текст вопроса и контекста и предсказывает ответ в формате задачи question-answering. Модель использует архитектуру DistilBERT и работает с текстом на английском языке; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества, поэтому пригодность для конкретного набора вопросов следует проверять отдельно.

EIStakovskii/french_toxicity_classifier_plus_v2 — классификатор токсичности французского текста, разработанный на основе CamemBERT и дообученный для присвоения меток токсичности. Модель принимает текст и выдаёт результат классификации; её можно использовать через pipeline text-classification в Transformers. Архитектура — CamembertForSequenceClassification, размер — 137,8 млн параметров, контекст — до 514 токенов. Модель предназначена для выявления токсичных высказываний на французском языке, например при модерации пользовательских сообщений. В README приведены результаты проверки на двух наборах данных и сравнение с Perspective API; качество различалось в зависимости от набора. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

totum-labs/gemma-4-12B-it-plumb — производная модели на основе Google Gemma 4 12B IT с подключённой к модели головой принятия решений Plumb. Основные веса заморожены; репозиторий содержит обученную голову и LoRA-адаптер, активируемый при обработке решения. Модель сохраняет возможности диалога и вызова инструментов базовой модели, а Plumb оценивает варианты по скрытым состояниям модели и возвращает вероятности, conformal-набор и выбранный ответ за один проход. Модель предназначена для структурированных решений в ходе диалога: выбора одного варианта, ответа «да/нет» или выставления оценки по шкале. README приводит результаты оценки на 447 решениях и сообщает о повышении точности относительно базовой модели в описанных настройках. Для работы требуются vLLM 0.30.0, плагин Plumbify и один GPU; тензорный и конвейерный параллелизм не поддерживаются. Голова обучалась на англоязычных решениях, выбирает только из предоставленных вариантов и не проверяет их корректность; сценарии передачи решения в середине генерации не входили в обучение. Лицензия репозитория — Apache 2.0.

TIGER-Lab/general-verifier — дообученная модель-верификатор, использовавшаяся в проекте General Reasoner. Она основана на Qwen/Qwen2.5-Math-1.5B, имеет архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Модель работает с текстом и рассчитана на контекст до 4096 токенов; в метаданных указан английский язык. Модель предназначена для проверки ответов или рассуждений в сценариях вопросно-ответных систем и генерации текста. Доступны веса в формате safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. README не уточняет метод проверки, формат входных данных или оценённое качество.

JanusCoderV-7B — мультимодальная модель для задач на стыке визуального понимания и программирования, разработанная авторами семейства JanusCoder. Она основана на Qwen2.5-VL-7B и дообучена на корпусе JANUSCODE-800K с примерами кода, связанных с визуальным содержимым. Модель принимает изображения и текстовые инструкции и предназначена для генерации кода по описанию или изображению, создания визуализаций данных и интерактивных интерфейсов, а также программного редактирования визуальных эффектов и построения анимаций. В метаданных указана архитектура Qwen2.5-VL, около 7,1 млрд параметров, контекст 128 000 токенов и библиотека Transformers. README приводит результаты на бенчмарках визуально-программных задач, но эти оценки не гарантируют качество для конкретного сценария. Модель распространяется под лицензией Apache-2.0. Карточка не уточняет поддерживаемые естественные языки и языки программирования, поэтому их перечень здесь не приводится.

Jeeves-Small-75M — компактная языковая модель Anurich для генерации текста и диалогов с поддержкой вызова инструментов. Она содержит около 74,9 млн параметров и построена на архитектуре Looped Transformer с Value Residual Learning: восемь уникальных слоёв применяются итеративно, формируя эффективную глубину 15. Модель предназначена для локального и периферийного запуска, tool-augmented агентов, экспериментов с архитектурами и дообучения под узкие задачи. Карточка сообщает о контексте до 512 токенов и преимущественно английских обучающих данных. Результаты бенчмарков указывают на ограниченные способности в задачах, требующих обширных знаний и многошаговой математики; модель может галлюцинировать, поэтому для фактических ответов рекомендуется опираться на инструменты или RAG. Распространяется по лицензии Apache-2.0.

AMAImedia выпустила эту модель в рамках платформы NOESIS как DSpark speculator для moonshotai/Kimi-K3. Это вспомогательная модель для спекулятивного декодирования: она предлагает токены, которые базовая модель проверяет, чтобы ускорить генерацию ответов. В README приведены показатели принятия черновых токенов на HumanEval, математических рассуждениях, вопросах и LongBench; для восьми токенов за шаг средняя длина принятой последовательности различается по наборам данных. Модель предназначена для использования с Kimi-K3 и соответствующим шаблоном чата. Репозиторий содержит веса Safetensors и поддерживает обработку изображений согласно метаданным, однако README описывает прежде всего ускорение генерации. Модель выпущена под лицензией Apache-2.0. Это производная модель, объединяющая компоненты, связанные с AngelSlim/Hy4-preview-GGUF и tencent/Hy4-preview.

Mungert/Llama-Guard-3-8B-GGUF — набор GGUF-файлов модели Llama Guard 3-8B, подготовленных пользователем Mungert на основе Llama-3.1-8B от Meta. Это языковая модель, дообученная для классификации безопасности контента: она проверяет входные запросы и ответы LLM, возвращая признак safe или unsafe и, при необходимости, категории нарушенных опасностей. Модель предназначена для защитных контуров при развёртывании LLM, включая модерацию обычных запросов и ответов, а также сценарии поиска и вызова инструментов интерпретатора кода. Модель содержит около 8 млрд параметров, использует авторегрессионную Transformer-архитектуру семейства Llama 3.1 и работает с текстом; версия GGUF ориентирована на локальный inference через совместимые инструменты, включая llama.cpp. Заявлена поддержка восьми языков: английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Модель согласована с таксономией опасностей MLCommons. Для получения вероятностной оценки классификатора можно использовать вероятность первого токена и применять пороговую обработку. Сильные стороны — специализированное назначение для input/output safety, поддержка нескольких языков и возможность локального запуска в разных вариантах квантования. Ограничения связаны с зависимостью от обучающих данных: точность может быть недостаточной для оценок, требующих актуальных фактов, широких фоновых знаний или полного покрытия политик; для чувствительных категорий Meta рекомендует более сложные системы. Модель также может быть уязвима к adversarial- и prompt-injection-атакам, поэтому не должна быть единственным уровнем защиты. Используется по лицензии Llama 3.1 Community License от Meta с требованиями Acceptable Use Policy и условиями распространения, включая сохранение лицензии и атрибуции; для распространения производных материалов требуется указывать «Built with Llama», а для некоторых крупных коммерческих сервисов предусмотрены дополнительные условия.

LlamaGuard-7b — модель-классификатор безопасности на основе Llama 2, опубликованная в репозитории llamas-community. Она проверяет текстовые запросы к языковым моделям и их ответы, генерируя текстовую метку safe или unsafe и, при обнаружении нарушения, указывая соответствующие категории риска. Для получения оценки вероятности небезопасного класса используют вероятность первого токена и применяют выбранный порог. Модель предназначена для модерации содержимого LLM в реальном времени и поддерживает таксономию, включающую насилие и ненависть, сексуальный контент, незаконное оружие, контролируемые вещества, самоубийство и самоповреждение, а также планирование преступлений. Архитектура — плотная авторегрессионная LlamaForCausalLM; размер — около 6,6 млрд параметров, контекст — 2048 токенов. Указана поддержка английского языка. Веса доступны в safetensors, а карточка также описывает варианты формата Llama и Hugging Face Transformers. В карточке приведены результаты оценки на наборах для классификации запросов и ответов; результаты зависят от таксономии и не полностью сопоставимы с другими системами модерации. Модель может ошибаться и требует выбора порога под задачу и политику модерации. Лицензия — Llama 2 Community License.

Модель aloudreader/marian-uk-verbalizer разработана для нормализации украинского текста перед синтезом речи. Это последовательностная модель MarianMTModel с кодировщиком и декодером по шесть слоёв, 8 головами внимания и общей SentencePiece-лексикой на 16 тысяч токенов. В карточке README указано 52,7 млн параметров, а метаданные Hugging Face указывают 33,4 млн; оценка размера расходится между источниками. Контекст модели — 384 токена. Модель преобразует письменные числа и специальные обозначения в произносимые слова: раскрывает римские числа с учётом рода и падежа, даты, валюты, координаты, телефоны, IBAN, номера карт, математические выражения, символы, сокращения и акронимы. Обычную украинскую прозу она должна оставлять без изменений. Предназначена для украинского языка и этапа нормализации текста в конвейере TTS; для других языков и иных задач не рассчитана. Использование на исходной строке без предварительной и последующей обработки — предусмотренное условие работы. В README сообщаются 85,2% точного совпадения и 3,0% WER на отложенном наборе из 3 597 примеров; на синтетических проверках координат и телефонных номеров получено 100%, а для согласования римских чисел с существительными — 99%. Слабее обрабатываются акронимы, номера карт и IBAN; римские числа проверялись только в диапазоне I–XXXIX. На необычных входах возможны пропуски или галлюцинации токенов, при этом нижестоящей обработки ошибок нет. Лицензия — MIT.

Карточка модели fantaxy/neutts-air на Hugging Face совпадает с карточкой ginipick/neutts-air, поэтому описание составлено по ней. NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

Карточка модели seawolf2357/neutts-air на Hugging Face совпадает с карточкой ginipick/neutts-air, поэтому описание составлено по ней. NeuTTS Air — модель синтеза речи компании Neuphonic, построенная на языковой модели Qwen 0.5B и нейронном аудиокодеке NeuCodec. Она принимает текст и короткую запись речи в формате WAV, а затем озвучивает текст голосом и манерой речи из образца. Модель предназначена для локального запуска на телефонах, компьютерах и встраиваемых устройствах; заявлены работа в реальном времени и клонирование голоса по образцу от трёх секунд. В репозитории доступны веса safetensors и GGUF; размер модели — около 552,8 млн параметров, контекст — 32 768 токенов. Модель подходит для озвучивания текста, голосовых помощников и приложений со своим голосом. Для лучшего результата рекомендуется чистая непрерывная речь в моно WAV длительностью 3–15 секунд с частотой дискретизации 16–44 кГц. Сгенерированное аудио содержит водяной знак Perth. Указана лицензия Apache-2.0.

Карточка модели Supbatomic/OmniVoice-bf16 на Hugging Face совпадает с карточкой drbaph/OmniVoice-bf16, поэтому описание составлено по ней. OmniVoice-bf16 — конверсия модели OmniVoice от k2-fsa в формат bfloat16, опубликованная пользователем drbaph. Это плотная модель преобразования текста в речь на архитектуре diffusion language model; версия использует веса и активации BF16 вместо FP32, что примерно вдвое сокращает размер файлов и потребление видеопамяти при заявленной незначительной потере качества. Модель предназначена для многоязычного синтеза речи, генерации голоса по описанию и клонирования голоса без предварительного обучения на конкретном дикторе. В карточке заявлена поддержка более 600 языков, а метаданные перечисляют языки от болгарского до японского. Модель подходит для локальной генерации речи через OmniVoice, в том числе в ComfyUI; README также указывает на возможность использования через исходный интерфейс OmniVoice. Для ускоренной работы рекомендуется GPU NVIDIA с CUDA и нативной поддержкой BF16, доступной на Ampere и более новых поколениях; на CPU инференс поддерживается, но медленный. Репозиторий содержит формат safetensors и имеет лицензию Apache-2.0.

OpenMed-PII-French-ClinicalLongformer-Base-149M-v1 — модель OpenMed для выявления и классификации персональных данных во французских текстах. Это дообученная для разметки токенов Longformer на 151,8 млн параметров, основанная на yikuan8/Clinical-Longformer; поддерживает контекст до 4098 токенов и работает через библиотеку Transformers. Модель предназначена для поиска 54 типов чувствительных данных, включая имена, адреса, идентификаторы, контактные, медицинские и финансовые сведения. Её можно использовать для обезличивания клинических записей и документов, подготовки наборов данных к исследованию и аудита коллекций текстов. В README сообщается о micro F1 0,9559 на французской части AI4Privacy PII Masking 400k. Модель оптимизирована для французского языка. Возможны пропуски персональных данных и снижение качества на специализированной терминологии, поэтому результаты требуют проверки человеком в важных сценариях. Распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-PII-Italian-BiomedELECTRA-Base-110M-v1 — модель на базе архитектуры BERT, дообученную для токенной классификации и поиска персональных данных в итальянском тексте. Она распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Число параметров в метаданных — 136,7 млн; максимальная длина контекста — 512 токенов. Модель предназначена для обнаружения и последующего удаления или маскирования персональных данных в клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки данных к исследованиям и аудита документов. В README указана оценка Micro F1 0,92 на итальянской части набора AI4Privacy PII Masking 400k. Модель принимает текст и выдаёт метки для его токенов. Модель дообучена на microsoft/BiomedNLP-BiomedELECTRA-base-uncased-abstract и распространяется по лицензии Apache-2.0. Она оптимизирована для итальянского языка; README предупреждает о возможных пропусках персональных данных и снижении качества на специализированной терминологии, поэтому критические результаты требуют проверки человеком.

OpenMed-PII-Italian-SnowflakeMed-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель токенной классификации на архитектуре XLM-RoBERTa с 658,7 млн параметров; она принимает текст и помечает фрагменты, относящиеся к 54 типам чувствительной информации, включая имена, адреса, идентификаторы, медицинские данные и контактные сведения. В метаданных указан контекст до 8194 токенов. Модель предназначена для выявления и удаления персональных данных из клинических записей и документов, подготовки исследовательских наборов данных и аудита коллекций документов. В карточке приведён результат F1 0,9678 на итальянской части набора AI4Privacy PII Masking 400k. Весами можно пользоваться по лицензии Apache-2.0. Модель оптимизирована для итальянского языка; качество на других языках может быть ниже. Она может пропускать персональные данные, а результат зависит от терминологии и контекста, поэтому для важных сценариев требуется проверка человеком.

OpenMed-PII-SuperClinical-Small-44M-v1-onnx-android — модель OpenMed для обнаружения персональных и клинических идентификаторов в англоязычных клинических и биомедицинских текстах. Она предназначена для token classification и может применяться в задачах выявления и последующей деидентификации конфиденциальных данных. Модель не диагностирует заболевания и не принимает клинических решений. Модель построена на архитектуре DeBERTa-v2 и содержит около 44 миллионов параметров. Она обрабатывает английский язык и поддерживает последовательности длиной до 512 токенов. Распознаётся более 55 типов сущностей, включая имена, даты, адреса, телефоны, электронную почту, номера медицинских записей, страховые идентификаторы, SSN, IP- и MAC-адреса, сведения о здоровье, расе и этнической принадлежности, религиозных убеждениях и другие персональные или клинические идентификаторы. В комплект входят ONNX-графы INT8, FP16 и полной точности, токенизатор и метаданные для интеграции. Модель рассчитана на локальный запуск после загрузки: на CPU в Python, в браузере через WebAssembly или WebGPU, а также на Android. Она возвращает найденные сущности, оценки уверенности и точные смещения в исходном тексте. Локальная обработка может поддерживать сценарии с повышенными требованиями к приватности и офлайн-развёртыванию, однако сама по себе не гарантирует соблюдение нормативных требований. Перед использованием необходимо оценить полноту обнаружения, пороги уверенности и корректность выделения фрагментов на данных целевого домена. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-sq-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с албанского языка на английский и основана на архитектуре Transformer-align с предварительной нормализацией и токенизацией SentencePiece. Модель содержит 55,5 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода отдельных фраз и текстов с албанского на английский; в README приведён результат BLEU 58,4 на тестовом наборе Tatoeba.sq.en. Распространяется по лицензии Apache-2.0. Оценка на одном тестовом наборе не гарантирует такого же качества на текстах других жанров и предметных областей.

PM_deberta-v3-base-ultrafeedback-rm — дообученная модель оценки текста, созданная на базе OpenAssistant/reward-model-deberta-v3-base и обученная с помощью TRL. Она возвращает числовую оценку текста, поэтому может использоваться как reward model для сравнения или ранжирования ответов и как компонент контура RLHF. Модель основана на архитектуре DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Карточка описывает запуск через Transformers pipeline и выполнение оценки на GPU. Лицензия в доступных данных не указана.

TalkTix разработала модель на базе RoBERTa для классификации обращений в службу поддержки по четырём уровням влияния сбоя на работу клиента: клиент может продолжать работу, не может работать, не может работать несколько сотрудников или не может работать отдел. Модель предназначена для сортировки обращений и оценки их приоритета при обработке службой поддержки. Это модель классификации последовательностей RobertaForSequenceClassification на PyTorch с 151,8 млн параметров и контекстом до 514 токенов. Она обучена на сбалансированном наборе из 28 000 анонимизированных обращений; карточка указывает английский язык. Лицензия — MIT. В опубликованной матрице ошибок заметны частые смешения категорий, особенно для случаев, затрагивающих нескольких сотрудников или отдел. В README также отмечено, что ошибка на валидации почти не менялась в ходе обучения; перед использованием для автоматической приоритизации стоит проверить качество на данных конкретной службы поддержки.

Nelera/ru-toxicity-detection — модель классификации текста, разработанная на основе ai-forever/ru-en-RoSBERTa с использованием PyTorch Lightning. Она выполняет бинарную классификацию русскоязычных текстов: относит безопасные и нейтральные сообщения к классу 0, а токсичные — к классу 1. Модель подходит для модерации пользовательских сообщений, выявления оскорблений и фильтрации токсичных комментариев. Это RoBERTa-классификатор объёмом около 503,5 млн параметров с контекстом до 514 токенов. В README приведены высокие метрики на тестовой выборке: accuracy и F1 — 0,9967, ROC AUC — 0,9997, MCC — 0,9934. Модель принимает текст и выдаёт метку класса токсичности. Указанные результаты относятся к тестовой выборке; качество на других данных может отличаться. Лицензия в предоставленных данных не указана.

Sentiment-xDistil — англоязычная модель на базе xtremedistil-l12-h384-uncased, дообученная для классификации тональности новостных заголовков. Её создали как инструмент для фильтрации финансовых новостей вместе с моделью Topic-xDistil. Модель относит заголовок к одному из трёх классов: Negative, Neutral или Positive. Оценка тональности отражает предполагаемое влияние новости на экономику или описанный актив. Обучающие данные включали более 300 тысяч новостных заголовков и твитов, размеченных с помощью ChatGPT 3.5; на тестовой выборке из 17 527 примеров заявлены точность 94,59% и F1 93,44%. Модель построена на архитектуре BERT для классификации последовательностей, содержит 40 млн параметров и поддерживает контекст до 512 токенов. Подходит для автоматической сортировки англоязычных финансовых заголовков и анализа новостного потока. Качество зависит от соответствия входных текстов тематике и стилю обучающих данных; показатели из README относятся к указанной тестовой выборке. Лицензия — MIT.

Skywork-Reward-V2-Qwen3-8B — модель оценки предпочтений (reward model), разработанная командой Skywork на базе Qwen3-8B. Она присваивает оценку диалогам и ответам, помогая сравнивать варианты и отбирать более предпочтительные при обучении и настройке языковых моделей. Модель относится к семейству Qwen3, использует плотную архитектуру классификации последовательностей и содержит 7,6 млрд параметров. Модель обучена в рамках серии Skywork-Reward-V2 на смеси из 26 млн тщательно отобранных пар предпочтений с использованием схемы Bradley–Terry. Серия оценивалась на бенчмарках RewardBench, PPE Preference, PPE Correctness, RMB, RM-Bench и JudgeBench. Для этой версии заявлены контекст до 40 960 токенов и поддержка нескольких языков через базовую Qwen3-8B. Веса представлены в формате safetensors; для инференса README рекомендует Transformers и SGLang. Лицензия — Apache-2.0. Это модель оценки, а не обычный генератор ответов: её оценки отражают обученные предпочтения и могут быть ошибочными или смещёнными; перед применением в автоматическом отборе ответов результаты стоит проверять на целевых данных.