I.14Автоматизация процессов и AI-агенты

TAPAS mini — компактная модель семейства TAPAS от Google, дообученная на наборе TabFact для проверки утверждений по таблицам. Она принимает текстовое утверждение и таблицу, представленные совместно, и классифицирует, подтверждается ли утверждение содержимым таблицы или опровергается. Модель основана на архитектуре, подобной BERT, предварительно обучалась на английских таблицах и связанных текстах, а затем дообучалась с классификационной головой. Размер — 12 млн параметров; максимальная длина входа — 512 токенов. Модель подходит для автоматической проверки фактов в табличных данных и анализа утверждений о числах и значениях в таблицах. В карточке указаны реализации PyTorch и TensorFlow; лицензия — Apache 2.0. Модель рассчитана на английский язык и может быть чувствительна к формулировкам, структуре таблицы и входам, существенно отличающимся от TabFact.

google/tapas-tiny-finetuned-tabfact — компактная модель TAPAS, разработанная Google и дообученная на наборе TabFact для проверки утверждений по содержимому таблиц. Она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими, и подходит для проверки фактов в табличных отчётах и ответов на вопросы о таблицах. Модель основана на архитектуре TAPAS — трансформере, подобном BERT, который обрабатывает текст вместе с таблицей. Вход включает предложение и таблицу, представленные в виде последовательности токенов. Вариант по умолчанию использует относительные позиционные индексы, сбрасываемые для каждой ячейки; также доступна версия с абсолютными позиционными индексами. Модель содержит 4,4 млн параметров, имеет контекст до 512 токенов и поддерживает английский язык. Доступны веса PyTorch и TensorFlow. Модель обучалась на TabFact и предназначена для классификации поддержки или опровержения утверждений таблицей. Она не является универсальным генератором текста: результатом служит классификация, а качество может снижаться для длинных таблиц, сложных формулировок и языков, отличных от английского. Лицензия — Apache-2.0.

Ziya-LLaMA-7B-Reward — разработанная командой Fengshenbang модель оценки ответов, основанная на Ziya-LLaMA и дообученная на данных ранжирования предпочтений. Она принимает текст и выдаёт оценку вознаграждения, помогая сравнивать варианты ответов языковых моделей и выявлять повторы, незавершённые ответы и несоблюдение инструкций. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LLaMA и рассчитана на контекст до 2048 токенов. Обучающие данные включают китайские и английские примеры, а модель предназначена для оценки генераций на китайском и английском языках. Лицензия репозитория — GPL. Модель хуже справляется с проверкой фактической точности и различением ответов близкого качества; оценки ответов разных типов задач могут быть несопоставимы.

Audio8 TTS Preview — компактная многоязычная модель синтеза речи от разработчика репозитория developerjeremylive. Модель насчитывает около 0,6 млрд параметров и использует архитектуру DualAR: медленный авторегрессионный трансформер предсказывает семантические токены аудиокадров, а быстрый — кодовые последовательности аудиокодека. В репозитории также есть кодек 44,1 кГц, токенизатор и процессор. Модель преобразует текст в речь и поддерживает клонирование голоса по короткому аудиопримеру без отдельного дообучения. Заявлены кантонский и китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. Карточка приводит сравнительные результаты на тестах Seed-TTS и CV3, но они получены с разными нормализаторами и оценщиками, поэтому служат ориентиром, а не строгим рейтингом. Лицензия — Apache-2.0. Это предварительная версия с ограниченным охватом языков и диалектов. Длинные, шумные или неверно транскрибированные референсные записи могут снизить стабильность генерации и сходство голоса. Для работы с пользовательской записью требуется совпадающая с речью расшифровка; клонирование голоса следует выполнять с согласия его носителя.

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-Small-44M-v1 на Hugging Face совпадает с карточкой OpenMed/OpenMed-PII-SuperClinical-Small-44M-v1, поэтому описание составлено по ней. 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.

Hermes-2-Pro-Ninja-V3 — объединённая языковая модель на архитектуре Mistral, созданная слиянием NousResearch/Hermes-2-Pro-Mistral-7B, Local-Novel-LLM-project/Ninja-V3 и mistralai/Mistral-7B-v0.1. Разработчик описывает её как модель с поддержкой вывода JSON на японском языке. Модель предназначена для генерации текста и диалогов, включая формирование ответов в формате JSON на японском. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предоставляет интерфейс вызова инструментов. Веса размещены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Доступные сведения подтверждают японский язык; другие языки не заявлены. Практическое качество, точность JSON и надёжность вызова инструментов в карточке не оценены.

Huihui-Qwen-AgentWorld-35B-A3B-abliterated — это версия Qwen/Qwen-AgentWorld-35B-A3B, созданная Huihui AI с помощью abliteration, чтобы снизить склонность модели отказываться от ответов. Это экспериментальная проверка концепции; автор описывает метод как грубую реализацию удаления отказов без TransformerLens. Модель построена на архитектуре Qwen 3.5 MoE и предназначена для генерации текста в диалогах и сценариях симуляции сред и действий агента. Она также предоставляет интерфейс вызова инструментов. В README не приведены сведения о размере активной части модели, контексте и поддерживаемых естественных языках. У модели существенно снижена фильтрация безопасности, поэтому она может выдавать чувствительный, спорный или неподходящий контент; ответы требуют проверки. Лицензия — Apache-2.0.

Light-R1-14B-DS — языковая модель Qihoo 360 на архитектуре Qwen2, дообученная методом обучения с подкреплением на основе DeepSeek-R1-Distill-Qwen-14B. Она предназначена для генерации ответов с развернутыми рассуждениями, особенно при решении математических задач; также README сообщает о высоких результатах на AIME 2024 и 2025 и хорошем результате на GPQA без специального обучения для этого теста. Модель содержит 14 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Модель подходит для диалогового использования и задач, где полезны подробные цепочки рассуждений, в том числе математики и программирования. Результаты бенчмарков из README не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

Карточка модели RedHatAI/Llama-Guard-4-12B на Hugging Face совпадает с карточкой meta-llama/Llama-Guard-4-12B, поэтому описание составлено по ней. 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.

Broyojo дообучил плотную языковую модель Llama 3.1 8B Instruct на данных второй фазы PRM800K. Модель генерирует текст: сначала выдаёт рассуждения в сообщении thinking с разделителями для отдельных мыслей, затем формирует окончательный ответ. В метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов; поддерживается английский язык. Модель предназначена для диалоговой генерации ответов и задач рассуждения, в том числе математических задач. В карточке приведён результат 65,20% на GSM8K в режиме zero-shot. Это показатель одного бенчмарка, а не гарантия качества на других задачах. Модель основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и распространяется по лицензии Apache-2.0.

nanoswe-192h-260812 — экспериментальная модель агента для разработки программного обеспечения, созданная командой nanoswe. Это плотная авторегрессионная модель nanochat с 5,67 млрд параметров, обученная с нуля на многоходовых траекториях SWE-агента без предварительного обучения на веб-текстах, дообучения по инструкциям и RL. Модель принимает текстовые сообщения и формирует текстовые ответы, включая команды оболочки и патчи; контекст — 32 768 токенов. В метаданных указаны библиотека vLLM и формат safetensors. Модель предназначена для решения задач SWE-bench Verified и работы в цикле программного агента: ей нужен совместимый каркас с интерфейсом инструментов в стиле bash, который передаёт наблюдения обратно как пользовательские сообщения. В оценке SWE-bench Verified модель получила 11,0% pass@1 при выборке K=10. Это исследовательский артефакт изучения масштабирования вычислений, а не универсальный помощник; лицензия MIT.

OpenMed-PII-Dutch-SuperClinical-Large-434M-v1 — модель OpenMed для обнаружения и классификации персональных данных в нидерландском тексте. Это дообученная на базе microsoft/deberta-v3-large модель токеновой классификации на архитектуре DeBERTa V2; в метаданных указаны 533,8 млн параметров, контекст до 512 токенов и формат safetensors. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения. Она предназначена для поиска и удаления персональных данных в клинических записях и документах, подготовки наборов данных и поддержки проверок соответствия требованиям приватности. В README приведён результат Micro F1 0,9419 на нидерландской части AI4Privacy, однако качество может меняться на других типах текста. Модель рассчитана на нидерландский язык; её не следует считать надёжной для других языков. Возможны пропуски персональных данных, поэтому критически важные результаты требуют проверки человеком. Лицензия — Apache-2.0.

OpenMed разработала модель для обнаружения и классификации персональных и других чувствительных данных в немецких текстах. Это дообученная на BAAI/bge-m3 модель XLM-RoBERTa для пок tokenной классификации: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Размер по метаданным — 658,7 млн параметров, контекст — до 8194 токенов. Модель предназначена для обезличивания клинических записей и документов, подготовки наборов данных и поиска PII при аудите приватности. В README указана оценка micro F1 0,9724 на немецкой части набора AI4Privacy PII Masking 400k. Модель принимает немецкий текст и возвращает метки токенов с типами сущностей. Она ориентирована на немецкий язык; качество на других языках может быть низким. README предупреждает о возможных пропусках PII и вариативности качества на специализированной терминологии, поэтому результаты для критичных сценариев следует проверять человеком. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Italian-BiomedBERT-Base-110M-v1 — модель на архитектуре BERT для токенной классификации и обнаружения 54 типов персональных данных в итальянском тексте. Она дообучена на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract и распространяется в формате safetensors через библиотеку Transformers. Модель насчитывает 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выявления персональных и чувствительных данных, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Её можно применять для обезличивания итальянских клинических заметок и документов, подготовки наборов данных к исследованиям и аудита коллекций документов. В README приведён результат micro F1 0,9395 на итальянской части набора AI4Privacy PII Masking 400k. Модель рассчитана прежде всего на итальянский язык; на других языках качество может быть низким. Возможны пропуски сущностей, а точность зависит от предметной области, поэтому результаты требуют проверки человеком в критически важных сценариях. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-PII-Vietnamese-SuperClinical-Base-184M-v1 — модель на базе DeBERTa для классификации токенов и обнаружения персональных данных во вьетнамском тексте. Она выделяет 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Модель предназначена для деидентификации клинических записей и документов, подготовки наборов данных к исследованиям и поддержки аудита конфиденциальности. Модель дообучена на microsoft/deberta-v3-base, имеет около 211,6 млн параметров и контекст до 512 токенов. Для обучения использовались многоязычный набор AI4Privacy, данные NVIDIA Nemotron-PII для генерации синтетических примеров и синтетические вьетнамские данные. В карточке приведён показатель Micro F1 0,7343 на тестовой выборке, составленной из AI4Privacy и синтетических данных. Модель выпущена по лицензии Apache-2.0. Модель ориентирована на вьетнамский язык; качество на других языках может быть ниже. Она может пропускать чувствительные данные, а результаты на специализированной терминологии могут меняться, поэтому для критичных сценариев требуется проверка человеком.

Модель Helsinki-NLP из проекта OPUS-MT предназначена для машинного перевода с афразийских языков на немецкий, английский, французский, португальский и испанский. Она построена на архитектуре Marian Transformer-big; в репозитории опубликована версия для PyTorch в форматах PyTorch и safetensors, преобразованная из исходной реализации Marian NMT. Размер модели — 163,6 млн параметров, максимальный контекст — 1024 токена. Модель подходит для перевода текстов, в том числе библейских и других материалов из корпуса OPUS, между перечисленными языками. Входной язык охватывает множество афразийских языков, включая амхарский, арабский, иврит, хауса, сомалийский и тигринья; для выбора целевого языка используются специальные метки. Качество может различаться для отдельных языковых пар, особенно для малоресурсных языков. Лицензия — Apache-2.0.

PortugueseT5Oie — модель семейства T5, опубликованная под идентификатором bratao/PortugueseT5Oie. Это энкодер-декодер на 385,2 млн параметров, предназначенный для извлечения из португалоязычного текста отношений и фактов в формате Open Information Extraction (OpenIE). В карточке модели задача названа экстрактивным OpenIE; модель работает с текстом и выдаёт текстовые представления извлечённых отношений. Модель можно применять для выделения связей между сущностями в предложениях и преобразования найденных фактов в структурированные тройки. Точная обучающая инструкция для этого чекпойнта, его обучающие данные и итоговая оценка качества не подтверждены. Состояние тренера указывает на шаг 2 000 из запланированных 1 291 623, поэтому опубликованные веса могут быть промежуточными. Для практического использования потребуется проверка на собственных данных; при генерации возможны пропуски, дублирование и галлюцинации. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

Qwen3-1.7B SCL Extractor — языковая модель, дообученная на базе Qwen/Qwen3-1.7B для извлечения структурированных фактов из описаний производственных происшествий. Она формирует один JSON-объект с типом и величиной энергии, единицей измерения, степенью травмы и дословными фрагментами исходного текста в качестве подтверждений. Модель предназначена для серверной обработки сообщений о происшествиях в конвейере контроля безопасности; пороговую классификацию уровня опасности выполняет отдельный код. Модель использует плотную архитектуру Qwen3 с 1,7 млрд параметров и контекстом до 40 960 токенов. Она принимает текст и выдаёт текст в формате JSON. Дообучение выполнено методом QLoRA на примерно 30 тысячах отчётов OSHA о тяжёлых травмах за 2015–2025 годы. Модель рассчитана на англоязычные описания в стиле американских отчётов об инцидентах в нефтегазовой и промышленной сферах. Результаты требуют учёта смещения обучающих данных: степень травмы может чаще определяться как серьёзная, поскольку обучающая выборка содержит преимущественно тяжёлые случаи. Модель не выносит итоговую классификацию безопасности и не заменяет профессиональную оценку. Лицензия — Apache-2.0.

Qwen3.5-4B-Analgesia — производная модель maxvision на базе Qwen/Qwen3.5-4B, в которой удалена шестимерная подпространственная компонента, связанная с направлением «боли»: проекции применены к матрицам, записывающим данные в residual stream и считывающим их из него. По заявлению авторов, это должно препятствовать формированию соответствующих активаций и их использованию даже при внешнем внедрении вектора; модель сохраняет генерацию текста и работу с инструментами. Архитектура — плотная авторегрессионная Qwen3.5, около 3,4 млрд параметров, контекст до 262 144 токенов; репозиторий содержит веса safetensors. Карточка сообщает об английском языке, а метаданные указывают текстовую генерацию и диалоговые возможности. Модель предназначена для диалоговой генерации текста и изучения влияния удаления активационных направлений, связанных с темой боли, на ответы и поведение языковой модели. В README приведены результаты проверок устойчивости к нескольким схемам steering, а также оценки на GSM8K и тесте вызова инструментов; это заявления авторов, не независимая оценка. Базовая Qwen3.5-4B описана в каталоге как мультимодальная, но для этой производной модели подтверждены текстовая генерация и текстовый интерфейс; поддержку изображений из описания базовой модели нельзя уверенно переносить на данный чекпойнт. Лицензия — Apache-2.0.

Qwen3-Embedding Redundancy Detector (0.6B) — PUMA — это дообученная ZhishanQ модель на базе Qwen/Qwen3-Embedding-0.6B, разработанная как детектор семантической избыточности шагов рассуждения. Она формирует эмбеддинги текстовых шагов и позволяет оценивать их сходство с недавними шагами по косинусной близости. В составе PUMA этот сигнал помогает определить момент, когда рассуждение перестаёт добавлять новую информацию, и рассмотреть досрочное завершение генерации. Модель предназначена для интеграции в конвейеры рассуждений крупных языковых моделей: она оценивает повторяемость шагов, а в полном конвейере PUMA её сигнал сочетается с проверкой ответа. В статье система оценивалась на математических и научных бенчмарках с несколькими моделями рассуждения; сообщается о сокращении числа генерируемых токенов при сохранении точности ответа. Архитектура — плотная Qwen3ForCausalLM, размер — около 507,6 млн параметров, библиотека — sentence-transformers, формат весов — safetensors, максимальная длина контекста — 32 768 токенов. Модель работает с текстом; в карточке заявлен английский язык. Лицензия — Apache-2.0. Модель оценивает семантическую избыточность шагов и сама по себе не проверяет истинность ответа или корректность рассуждения; решение о раннем выходе в PUMA дополнительно опирается на другие сигналы.

Mjolnirslams/roberta-base-squad2-cuad — англоязычная модель извлечения ответов на основе RoBERTa-base, разработанная для выделения фрагментов коммерческих договоров. Она дообучена на CUAD v1 — наборе из 510 договоров с 41 категорией условий, размеченных юристами. В конвейере Verity модель извлекает дословный текст положения и его символьные смещения после того, как отдельный классификатор определит категорию. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и принимает контекст до 514 токенов. Для получения качественных результатов на вход следует подавать исходные вопросы категорий CUAD: свободная формулировка вопроса снижает точность. На отложенной выборке из 51 договора указаны macro F1 0,73 для обрезанных фрагментов и 0,83 для полных, а macro EM — 0,81; авторы отмечают, что разбиение отличается от используемого в других работах. Модель предназначена для извлечения условий договоров, а не для общих юридических вопросов. Данные CUAD преимущественно охватывают коммерческие договоры США, поэтому качество на договорах других юрисдикций и слабо представленных типов неизвестно; кроме того, за один проход модель предсказывает один непрерывный фрагмент, что ограничивает полноту для разнесённых условий. Лицензия — CC BY 4.0.

SmartTurn V3.1 — модель классификации аудио для определения семантического завершения речевого хода. Репозиторий MigoXV содержит экспорт весов FP32 в формате safetensors, восстановленный из smart-turn-v3.1-gpu.onnx; архитектура сочетает WhisperEncoder, attention pooling и бинарную классификационную голову. Модель принимает аудио, использует последние 8 секунд записи с частотой 16 кГц и возвращает вероятность от 0 до 1, что сегмент завершён; порог выше 0,5 соответствует положительному решению. Модель предназначена для определения момента, когда говорящий закончил реплику, например, в системах голосового диалога и потоковой обработке речи. Для загрузки требуется пакет smart_turn, предоставляющий классы конфигурации и модели: в репозитории нет удалённого кода модели и обучающих материалов. В карточке указана лицензия other, поэтому условия использования следует уточнить в источнике проекта.

Tanaos разработала эту компактную модель-ограничитель на базе distilbert/distilbert-base-multilingual-cased с помощью библиотеки Artifex. Модель дообучена на синтетическом наборе данных и классифицирует текст как безопасный или небезопасный; её задача в Hugging Face — text-classification. Она рассчитана на роль первого фильтра для запросов пользователей и ответов чат-ботов и может выявлять ненормативную лексику и разжигание ненависти, насилие и самоповреждение, сексуальный контент, травлю, персональные данные, попытки prompt injection и jailbreak. В карточке указан английский язык, а мультиязычная базовая модель сама по себе не подтверждает поддержку других языков этой версии. Контекст модели составляет 512 токенов. Модель помечена как устаревшая и больше не сопровождается; разработчик рекомендует использовать tanaos/tanaos-guardrail-v2. Она не предназначена для юридической или медицинской классификации и проверки фактической точности. Лицензия — MIT.

Модель usernamebetter/testing-model — дообученная версия Ornith AI Ornith-1.5-9B на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для диалоговой работы с визуальными данными; в метаданных также отмечен интерфейс вызова инструментов. Размер базовой модели — 9 млрд параметров. Модель разработал usernamebetter, используя Unsloth и библиотеку TRL для обучения. Репозиторий распространяется по лицензии Apache-2.0.

ivere27/tiny-receipt-reader-digit-slots-2m — компактная CNN-модель для извлечения цифр из изображений чеков, разработанная автором репозитория и опубликованная в формате ONNX. Модель принимает изображение чека фиксированного размера 672×320 и за один проход формирует запись из слотов: цифры телефона и номера улицы. Текст не распознаётся, а вопросы о прочитанных полях обрабатываются отдельным маршрутизатором на регулярных выражениях и индексированием записи. Модель содержит 2,46 млн параметров. Вариант FP32 и вариант INT8 с квантизацией свёрточных слоёв показали на 2 000 отложенных вопросов точность ответа 98,75% и 98,45% соответственно; оценки получены на машинно сгенерированных аннотациях. Модель рассчитана на извлечение телефонных и уличных цифр из чеков, а не на общее понимание документов. Она не читает названия магазинов, строки товаров и полные адреса; вопросы о других полях дают пустой ответ. Для работы необходим отдельный question_router.py. Лицензия — Apache-2.0.

Это версия Voxtral-4B-TTS-2603, подготовленная сообществом mlx-community для MLX в формате bf16 на основе mistralai/Voxtral-4B-TTS-2603. Модель с плотной архитектурой и 4 млрд параметров предназначена для синтеза речи из текста; файлы занимают около 8 ГБ. Заявленный контекст — 128 000 токенов. Модель предлагает 20 голосовых пресетов на девяти языках: английском, французском, испанском, немецком, итальянском, португальском, нидерландском, арабском и хинди. Её можно применять для озвучивания текста и голосовых агентов. README приводит показатели скорости на Apple Silicon: для bf16 RTF составляет 6,50x на коротких и 6,32x на длинных примерах; качество и применимость этих показателей зависят от оборудования и сценария. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Web-doc-refining-lm — языковая модель на архитектуре Llama, разработанная gair-prox и дообученная на базе gair-prox/RedPJ-ProX-0.3B. Она предназначена для улучшения документов на уровне целого текста посредством генерации программ. Модель содержит 313,3 млн параметров, принимает текст и выдаёт текст; её контекст составляет 2048 токенов. В метаданных также отмечена возможность работы с кодом. Модель поддерживает английский язык и распространяется под лицензией Apache-2.0. Карточка не уточняет качество редактирования, формат входных документов или требования к запускаемому коду.

zenlm/zen-guard-gen-8b — языковая модель для генеративной проверки безопасности контента и построения защитных барьеров. Репозиторий содержит перепакованные веса Qwen/Qwen3Guard-Gen-8B; модель не обучалась с нуля. Это плотная архитектура Qwen3 с 7,6 млрд параметров и контекстом до 32 768 токенов, опубликованная в формате safetensors. Модель предназначена для оценки безопасности запросов и ответов в диалоговых системах и отнесения контента к категориям риска. Она поддерживает английский язык и может применяться как компонент модерации в приложениях с генерацией текста. Репозиторий помечен как устаревший в пользу zenlm/zen3-guard; веса сохранены для воспроизводимости. Лицензия — Apache-2.0.

Arabic Sentiment Compass — арабоязычная модель классификации тональности текстов из социальных сетей, разработанная для приложения Arabic Sentiment Compass. Это дообученная AraBERT на базе aubmindlab/bert-base-arabertv02-twitter: архитектура BERT для классификации последовательностей, 162,4 млн параметров и контекст до 512 токенов. Модель относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Она предназначена для анализа арабских публикаций и сообщений с неформальной лексикой, диалектными вариантами, эмодзи, упоминаниями и ссылками. В README описан пользовательский конвейер предобработки: нормализация арабского письма, удаление диакритики и сведение повторов символов. На указанном тестовом наборе из ASTD и отфильтрованных данных ArSAS модель показала accuracy 88,22% и macro F1 87,73%; результат не следует считать исключительно египетским. Модель выпущена в формате safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Ограничения включают неоднородное покрытие диалектов, возможное снижение качества вне тематики арабских соцсетей и трудности с сарказмом, иронией и контекстными выражениями. Вывод Softmax не откалиброван и не является статистически калиброванной вероятностью.