I.14Автоматизация процессов и AI-агенты

Модель mosesb/best-comic-panel-detection — дообученный вариант YOLOv12x для обнаружения отдельных панелей на страницах комиксов. Она возвращает ограничивающие рамки класса «Comic Panel» и предназначена для автоматической оцифровки и структурирования страниц. Модель обучена на пользовательском размеченном наборе данных Custom-Workflow-3-Object-Detection-1 с использованием PyTorch и Ultralytics. Её можно применять для подготовки страниц к цифровому чтению, выделения панелей перед извлечением текста или персонажей, а также для анализа композиции страниц и создания датасетов. В README указаны высокие результаты на валидационной выборке: mAP50 0,991 и mAP50-95 0,985; это показатели на данных обучения и не гарантируют аналогичного качества на комиксах с другими стилями или разметкой. Модель выдаёт прямоугольные рамки и может хуже работать с сильно неправильными или перекрывающимися панелями. Лицензия репозитория — Apache-2.0.

Donut para boletas peruanas — модель извлечения структурированных данных из изображений печатных чеков Перу. Это экспериментальная низкоресурсная адаптация Donut, разработанная на основе naver-clova-ix/donut-base-finetuned-cord-v2; модель не использует отдельный OCR. Архитектура VisionEncoderDecoderModel сочетает энкодер Donut-Swin с декодером mBART и содержит около 201 млн параметров. На вход подаётся изображение целого чека, на выходе формируется текстовое представление данных для преобразования в JSON: продавец, RUC, дата, номер документа, позиции меню, подытог, IGV и итоговая сумма. Модель рассчитана на прототипы и контролируемые эксперименты с печатными чеками на испанском языке из Перу. Для обучения использовались 140 аннотированных чеков из частного датасета, который не распространяется. В тесте из 20 документов JSON корректно разбирался в 75% случаев, все восемь ключей присутствовали в 50%, а строгой проверке схемы соответствовали 20%; точность извлечения полного списка меню в зарегистрированной оценке составила 0%. Результаты ограничены малым тестовым набором. Лицензия — MIT.

ERABI（えらび）は、SugarKnightが開発した約438M параметровын GLiClass мәтін классификация моделінің қосымша үйретілген нұсқасы. Ол жағдайды, шешім өлшемін және 2–16 нұсқаны қабылдап, әр нұсқаға ықтималдық үлестірімін қайтарады; мәтін генерацияламайды және құралдарды орындамайды. Модель әңгіме жүйесінде құрал таңдау, ойын NPC әрекетін жіктеу және командалардың қауіптілігін бағалау сияқты жергілікті шешім қабылдау тәжірибелеріне арналған. README-дегі 150 мысалдық салыстыруда ERABI кейбір конфигурациялармен тексерілген; бұл шектеулі жиынтық жалпы өнімділік кепілдігі емес. Жапон, ағылшын және қытай тілдеріндегі деректер қолданылған, кіріс ұзындығы 512 токенмен шектеледі. Модель PyTorch safetensors және CPU-ға арналған ONNX FP32, GPU-ға арналған ONNX FP16 форматтарында беріледі. Ықтималдықтар калибрленбеген, ал FP16 дөңгелектеуі жақын нәтижелердің ретін өзгертуі мүмкін. Қауіпті командаларды жіктеу оларды орындауға рұқсат бермейді, сондықтан бөлек қауіпсіздік бақылауы қажет. Модель лицензиясы Apache-2.0; Python коды MIT лицензиясымен таратылады.

Карточка модели moussaKam/frugalscore_medium_roberta_bert-score на Hugging Face совпадает с карточкой moussaKam/frugalscore_tiny_bert-base_bert-score, поэтому описание составлено по ней. FrugalScore — компактная модель для оценки качества генерации естественного языка, разработанная как недорогая замена вычислительно затратной метрике BERTScore. Этот чекпойнт использует BERT-tiny в роли студента, обученного воспроизводить оценки BERT-Base с помощью BERTScore. Модель предназначена для автоматической оценки и сравнения сгенерированных текстов, например при проверке результатов систем генерации или переводов. Модель построена на архитектуре BERT и содержит 4,4 млн параметров. Она принимает текст, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. README не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя уточнить по доступным данным.

ArchiveStudio/gemma-4-26B-A4B-it-assistant — вариант Gemma 4 от Google DeepMind с инструкционной настройкой и моделью-предсказателем для Multi-Token Prediction (MTP). В конвейере speculative decoding компактная модель предлагает несколько следующих токенов, которые основная модель проверяет параллельно; такой режим предназначен для ускорения генерации при сохранении её качества. Веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель основана на архитектуре Gemma 4 26B A4B, относящейся к семейству MoE. Gemma 4 принимает текст и изображения и генерирует текст; семейство поддерживает длинный контекст до 256K токенов, многоязычные сценарии, рассуждения, программирование и вызов инструментов. Для этой конкретной модели карточка описывает применение в качестве черновой модели speculative decoding, а не самостоятельные возможности аудио или видео. Подходит для ускорения генерации в чат-ассистентах и приложениях с низкими требованиями к задержке, включая локальное и периферийное развёртывание. Эффект ускорения зависит от целевой модели и конфигурации speculative decoding; заявленное для семейства ускорение до 3 раз не гарантируется в каждом сценарии.

Healthcare Brain Vitals NER — модель распознавания именованных сущностей, разработанная Genzeon Platforms на базе Bio_ClinicalBERT и дообученная для извлечения показателей жизнедеятельности и измерений из клинического текста. Это модель архитектуры BERT с 135,5 млн параметров, предназначенная для использования в системах Transformers; она размечает текст по 15 категориям сущностей с BIO-тегами, включая артериальное давление, пульс, частоту дыхания, температуру и SpO2. Модель помогает структурировать показатели из сестринских записей, заметок сортировки в отделениях неотложной помощи и врачебных записей, а также обогащать электронные медицинские карты и извлекать данные для клинической аналитики. По README, общий micro F1 составляет 0,9545 при строгом совпадении типа и границ сущности. Модель рассчитана на английские клинические тексты и контекст до 512 токенов; для более длинных документов рекомендуется обработка перекрывающимися фрагментами. Качество может снижаться на неклиническом тексте, а редкие измерения могут не входить в поддерживаемые категории. Лицензия Apache-2.0.

Intent Detection V2.4 — дообученная Ningpy на Qwen2.5-7B-Instruct модель для определения намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Она классифицирует сообщения по типу медицинского запроса, выявляет потенциальные красные флаги и ситуации, требующие блокировки или перенаправления, включая сочетание экстренного случая с запросом о персональной дозировке. Модель формирует структурированный ответ с полями намерения, признаков риска, кодов маршрутизации и извлечённых лекарств, заболеваний и симптомов; сущности сохраняются как фрагменты исходного сообщения. Модель имеет плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В README заявлены английский, китайский и брунейский малайский языки, а метаданные явно подтверждают английский и китайский. На валидационном наборе из 2 518 примеров указаны Safety F1 92,3%, точное совпадение многометочной разметки 88,0% и совместная точность 81,5%; эти показатели относятся к описанной авторами выборке. Для повторяемой маршрутизации рекомендована температура 0.0. Лицензия — Apache-2.0.

pankaj0/llama-3.2-3b-asr-refiner-merged — языковая модель на архитектуре Llama, опубликованная пользователем pankaj0. По метаданным, это дообученная модель с 3,2 млрд параметров на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit; файлы представлены в формате safetensors. Она предназначена для генерации текста и поддерживает диалоговый режим и интерфейс вызова инструментов. Название репозитория указывает на применение для улучшения результатов распознавания речи, но доступная карточка не описывает эту функцию и не позволяет подтвердить её отдельно. Модель принимает текст и выдаёт текст. Для неё указаны английский язык и контекст длиной до 131 072 токенов. Лицензия — Apache-2.0. README содержит только заглушки с опущенным кодом, поэтому детали обучения и качество уточнения транскрипций оценить нельзя.

Extract-1.7B — визуально-языковая модель, представленная в работе Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models. Она служит модулем восприятия в двухэтапном подходе Extract+Think: модель выделяет из изображения детали, важные для инструкции, а отдельная модель выполняет этап рассуждения. В качестве языковой основы указана Qwen3-1.7B; архитектура плотная, LlavaQwen3ForCausalLM, число параметров — 1,7 млрд, контекст — до 40 960 токенов. Модель предназначена для извлечения визуальной информации и ответов на инструкции об изображениях в составе мультимодальных сценариев. Карточка описывает её как часть исследовательской системы и рекомендует оценивать через lmms-eval. Доступны веса в формате safetensors; лицензия в предоставленных данных не указана.

MTL-data-to-text — модель генерации естественного языка из структурированных данных, представленная авторами работы «MVP: Multi-task Supervised Pre-training for Natural Language Generation». Это вариант Single семейства MVP, обученный на смеси размеченных наборов данных для преобразования данных в текст; архитектура — Transformer encoder-decoder. Модель предназначена для генерации описаний по графам знаний, таблицам и семантическим представлениям (MR), включая сценарии WebNLG, DART, WikiBio, ToTTo и E2E. Модель принимает текстовое представление структурированных данных и генерирует текст на английском языке. В метаданных указано окно контекста 1024 токена и формат PyTorch. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества; применимость к структурам и форматам, отличным от обучающих наборов, может быть ограничена.

One-for-all Toxicity v3 — модель классификации текста, разработанная AIstrova Technologies Inc. Это дообученная BertForSequenceClassification на базе bert-base-multilingual-cased с 205,1 млн параметров. Она предназначена для выявления токсичности в тексте и модерации пользовательских сообщений. Автор сообщает, что добавил вручную размеченные примеры к обучающим данным Toxi Text 3M, поскольку обучение только на этом наборе хуже классифицировало короткие тексты. Модель использует PyTorch и принимает текст длиной до 512 токенов; в карточке перечислены языковые теги для многих языков, включая русский и английский. Распространяется по лицензии CC BY 4.0 с требованием указывать авторство AIstrova Technologies Inc.

OpenMed-PII-French-SuperClinical-Base-184M-v1 — модель OpenMed на базе DeBERTa-v3-base, дообученная для распознавания и классификации персональных данных во французском тексте. Это трансформерная модель классификации токенов с контекстом до 512 токенов; она размечает сущности по 54 категориям, включая идентификаторы, личные и медицинские сведения, контакты, адреса и финансовые данные. Модель предназначена для обнаружения и обезличивания данных во французских клинических записях, медицинских документах и других текстовых коллекциях, а также для подготовки наборов данных и аудита конфиденциальности. В README указана оценка Micro F1 0,9663 на французской части AI4Privacy. Модель принимает текст и возвращает метки сущностей для токенов; результат следует проверять человеком, поскольку возможны пропуски и качество может меняться на специализированной терминологии. Модель оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-French-SuperClinical-Large-434M-v1 — модель OpenMed для выявления и классификации персональных данных во французском тексте. Это дообученная на Microsoft DeBERTa-v3-large модель токенной классификации с архитектурой DeBERTa V2; метаданные указывают 533,8 млн параметров и контекст до 512 токенов. Она размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, контактные и медицинские сведения. Модель предназначена для поиска и последующего удаления или маскировки персональных данных в клинических записях, медицинских документах и наборах данных, а также для аудита документов. В README сообщается оценка micro F1 0,9797 на французской части AI4Privacy; результат зависит от данных и условий применения. Модель рассчитана прежде всего на французский язык и может хуже работать на других языках и с узкоспециальной терминологией. Возможны пропуски сущностей, поэтому критически важные результаты следует проверять вручную. Лицензия — Apache-2.0.

OpenMed-PII-Italian-BiomedELECTRA-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель токеновой классификации на базе microsoft/BiomedNLP-BiomedELECTRA-large-uncased-abstract, построенная на архитектуре BERT; в метаданных указано 433,9 млн параметров, а длина контекста составляет 512 токенов. Модель размечает 54 типа чувствительной информации, включая идентификаторы, персональные и медицинские сведения, контакты, адреса, организации, финансовые и временные данные. Она предназначена для обезличивания клинических записей и документов, предварительной очистки наборов данных и поиска PII при аудите. В README сообщается о Micro F1 0,9583 на итальянской части набора AI4Privacy PII Masking 400k. Модель работает с текстом и возвращает метки для токенов. Она оптимизирована для итальянского языка, а качество на других языках и при специализированной терминологии может быть ниже; возможны пропуски PII, поэтому результаты в важных сценариях следует проверять человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalBGE-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная BERT-модель с архитектурой BertForTokenClassification и 433,9 млн параметров; она принимает текст и размечает токены по категориям чувствительной информации. Контекст модели составляет 512 токенов. Модель предназначена для поиска имен, адресов, идентификаторов, контактных, финансовых и медицинских сведений в клинических записях, медицинских документах и других текстах. Её можно использовать для подготовки документов к обезличиванию, аудита наборов данных и поддержки процессов соблюдения GDPR. В оценке на итальянской части AI4Privacy модель показала micro F1 0,9605. Модель оптимизирована для итальянского языка; качество на других языках может быть ниже, а некоторые персональные данные могут остаться нераспознанными. Разработчики рекомендуют использовать её как вспомогательный инструмент с проверкой человеком в критически важных случаях. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalBGE-Large-568M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная для token classification модель семейства XLM-RoBERTa на базе BAAI/bge-m3; она содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. Модель размечает токены BIO-тегами и распознаёт 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, финансовые и медицинские сведения, контакты и даты. Она предназначена для поиска персональных данных в клинических записях и документах, подготовки текстов к обезличиванию и поддержки аудита приватности. В README для итальянской части набора AI4Privacy указана оценка F1 0,9678. Модель оптимизирована для итальянского языка; качество на других языках и в специализированных областях может быть ниже. README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком, поскольку возможны пропуски персональных данных. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalE5-Base-109M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученная модель на основе intfloat/e5-base-v2 с архитектурой BERT и головой токен-классификации; в метаданных указано 136,7 млн параметров, а карточка округляет размер до 109 млн. Модель принимает текст и помечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские и финансовые данные, контакты и даты. Контекст ограничен 512 токенами. Модель предназначена для обезличивания клинических записей и медицинских документов, подготовки наборов данных к исследованиям, а также поиска чувствительных данных при аудите. На итальянской части AI4Privacy она показала micro F1 0,9360. Лицензия — Apache-2.0. Карточка позиционирует модель как готовую к производственным конвейерам, но рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски персональных данных, качество зависит от терминологии предметной области, а для языков кроме итальянского модель не оптимизирована.

OpenMed разработала модель классификации токенов для поиска и классификации персональных данных в итальянском тексте. Это дообученная модель на архитектуре RoBERTa с 95,2 млн параметров; она принимает текст и помечает токены BIO-тегами, охватывая 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. Максимальная длина контекста — 514 токенов. Модель предназначена для выявления чувствительных данных в клинических записях и документах, их обезличивания, подготовки наборов данных и аудита коллекций документов. В описании README для итальянской части набора AI4Privacy приведён micro F1 0,9387. Модель ориентирована на итальянский язык; качество на других языках и при специализированной терминологии может быть ниже, а пропуски персональных данных требуют проверки человеком. Распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-ar-el — модель машинного перевода проекта OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с арабского на современный греческий. Модель основана на архитектуре Transformer-align и реализована как MarianMT; число параметров — 57,6 млн, контекст — до 512 токенов. Для обработки используются нормализация и SentencePiece с словарями размером 32 тыс. токенов. Модель предназначена для перевода арабских текстов на греческий, в том числе для многоязычных материалов и пользовательских запросов. В тесте Tatoeba указаны BLEU 43,9 и chr-F 0,636; эти оценки относятся к конкретному тестовому набору и не гарантируют аналогичное качество на других типах текстов. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-ase — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на язык ase; обучение выполнено на данных OPUS. Модель использует архитектуру MarianMT на основе Transformer, нормализацию и токенизацию SentencePiece. Размер — 52,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для перевода немецких текстов на ase, в том числе для локализации и автоматической обработки многоязычных материалов. В README приведены результаты оценки на наборе JW300.de.ase: BLEU 30,4 и chr-F 0,483. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-fr-ar — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с французского языка на арабский и несколько его вариантов; для выбора целевого варианта перед текстом требуется токен языка в формате >>id<<. Модель содержит 57,1 млн параметров, использует нормализацию и SentencePiece с подсловным словарём 32k, поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель подходит для перевода предложений и текстов с французского на арабский, включая варианты apc, arq, arq_Latn, ary и arz. В тесте Tatoeba для пары французский—арабский указаны BLEU 14,4 и chr-F 0,439. Эти оценки относятся к конкретному тестовому набору и не гарантируют качество для иных текстов. Лицензия — Apache-2.0.

OWLv2-base-patch16 — модель обнаружения объектов с открытым словарём, разработанная авторами работы Scaling Open-Vocabulary Object Detection. Она принимает изображение и один или несколько текстовых запросов, а затем находит соответствующие объекты и возвращает их рамки и оценки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-B/16 и текстовым Transformer-энкодером; для обнаружения к выходам визуального Transformer добавлены лёгкие классификационная и рамочная головы. Модель подходит для поиска объектов по произвольным текстовым описаниям, в том числе для экспериментов с объектами, названия которых не задавались фиксированным набором классов при обучении. Карточка позиционирует её как исследовательскую модель для изучения обобщения, устойчивости и ограничений компьютерного зрения. Обучающие данные включают публичные пары изображение–текст и наборы данных обнаружения объектов, в частности COCO и OpenImages; README отмечает, что значительная часть данных получена из интернет-источников и может хуже представлять группы, менее связанные с интернетом. Лицензия — Apache-2.0.

google/pix2struct-textcaps-base — модель Google семейства Pix2Struct для преобразования изображений в текст. Это модель типа image encoder–text decoder, предобученная на парах изображений и текста; обучение включало разбор замаскированных снимков веб-страниц в упрощённый HTML. Вариант textcaps предназначен для создания подписей к изображениям и описания их содержимого на основе визуальных признаков. Модель принимает изображение и генерирует текст. Pix2Struct разработана для задач визуального понимания, включая подписи к изображениям и ответы на вопросы по изображению; вход может иметь переменное разрешение. README указывает последовательность обучения длиной 2048 токенов. Метаданные отмечают английский, французский, румынский и немецкий языки, а также мультиязычную поддержку, однако основной язык именно этого варианта отдельно не задан. Модель доступна под лицензией Apache-2.0. Качество может снижаться при уменьшении длины последовательности относительно обучающей; конкретные метрики и ограничения для варианта TextCaps в предоставленной карточке не приведены.

ashield-ai/prompt-classification-bert — дообученная модель классификации текста на базе answerdotai/ModernBERT-base. Она предназначена для отнесения входного текста к классам; название репозитория указывает на классификацию промптов, но карточка не описывает категории и сценарии применения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает контекст длиной до 8192 токенов. В README приведены значение loss 0,0666 и F1 0,9905 на оценочной выборке, однако набор данных и методика оценки не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Qwen3.5-9B-Uncensored-ComfyUI — производная версия Qwen/Qwen3.5-9B, подготовленная разработчиком prithivMLmods как веса текстового энкодера для ComfyUI. Репозиторий содержит файлы safetensors в вариантах BF16, FP8 и INT8 ConvRot; версии FP8 и INT8 уменьшают требования к видеопамяти, причём INT8 использует построчное масштабирование и подавление выбросов с помощью вращения Адамара. Модель предназначена для использования в качестве текстового энкодера в рабочих процессах ComfyUI; метаданные относят её к задаче image-text-to-text и отмечают поддержку зрения. Это uncensored-вариант с нефильтруемым выводом. Базовая модель — мультимодальная Qwen на 9 млрд параметров, предназначенная для диалога, анализа изображений, рассуждений, программирования и агентных задач. Репозиторий распространяется по лицензии Apache-2.0.

AngelSlim выпустила официальный черновой чекпойнт DFlare для ускорения генерации с Qwen/Qwen3-8B. Это плотная модель-черновик на 2 млрд параметров по метаданным (в README указано около 1,4 млрд), с архитектурой DFlare из 7 слоёв, размером скрытого состояния 4096 и 32 головами внимания. Модель предсказывает блоки токенов параллельно, используя скрытые состояния целевой модели; Qwen3-8B проверяет предсказанный блок. Для загрузки требуется класс QwenDFlareDraftModel из AngelSlim. В описанных испытаниях связка DFlare и Qwen3-8B показала среднее ускорение генерации в 5,46 раза на задачах рассуждения, программирования и диалога без изменения результата относительно жадного декодирования. Чекпойнт предназначен для ускорения вывода совместно с целевой Qwen3-8B, а не как самостоятельная универсальная языковая модель. Контекст по метаданным — 40 960 токенов. Лицензия — Apache-2.0.

willhx/Qwen3-8B-SDFT-MLE-Math-Search-Ecom — плотная языковая модель Qwen3, созданная разработчиком willhx как взвешенное слияние трёх полных чекпойнтов SDFT. В слияние вошли модели для математических задач, поиска и сценариев tau-bench в розничной торговле; веса объединены с коэффициентами 0,2, 0,4 и 0,4 соответственно. Архитектура — Qwen3ForCausalLM, около 7,6 млрд параметров, контекст 32 768 токенов; формат хранения — BF16 в safetensors. Модель принимает текст и генерирует текст. Метаданные указывают поддержку чата и интерфейса вызова инструментов, однако автор не подтверждает качество общего чат-интерфейса для этого слияния. Чекпойнт не тестировался на математических, поисковых или розничных задачах, поэтому его практическую эффективность следует оценивать отдельно. Лицензия — Apache-2.0.

ansilmbabl/survey-xml-base-knowledge-0.0.1-merged_16bit — дообученная разговорная языковая модель семейства Llama, разработанная ansilmbabl на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Естественный язык карточки — английский, размер контекстного окна — 131 072 токена. Для обучения использовались Unsloth и библиотека TRL. Модель опубликована в формате safetensors под лицензией Apache-2.0. README не описывает отдельные возможности, связанные с XML или предметными знаниями, и не приводит результаты оценки качества. Поэтому пригодность для опросов, XML-разметки или конкретной предметной области по имеющимся данным подтвердить нельзя.

oklenAI разработала дообученную на базе Qwen3.5-2B-Base языковую модель для извлечения математического содержимого из текста веб-страниц. На вход подаётся сырой текст страницы, на выходе модель дословно воспроизводит математические фрагменты; если содержательной математики нет, допустим пустой ответ. Модель предназначена прежде всего для английских веб-страниц с математическим содержанием и извлечения формул и связанных с ними фрагментов при подготовке данных или обработке корпуса страниц. Это плотная авторегрессионная модель Qwen3.5 с 1,7 млрд параметров, работающая через Transformers. В метаданных указано контекстное окно до 262 144 токенов; обучение этой версии охватывало последовательности до 57 344 токенов. На длинных страницах свыше 20 000 символов согласие по charF1 с ответами GPT-5.6 составляет 0,8668; это измеряет сходство с учителем, а не фактическую правильность извлечения. Лицензия — Apache-2.0. Длинные страницы остаются сложнее коротких: charF1 для них ниже (0,8668 против 0,9454), а на страницах свыше примерно 50 000 символов модель не проверялась. Есть риск пропуска содержимого и избыточного воспроизведения формульных токенов; поведение на других языках, в других областях и на страницах без математики изучено ограниченно. Выход масштабируется вместе с длиной входа, поэтому при генерации нужно подбирать max_new_tokens под размер страницы.

TinyBERT Financial News Sentiment Analysis — компактная модель классификации текста, опубликованная mikeysharma и дообученная на финансовых новостях. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель построена на архитектуре TinyBERT с 4 слоями и размерностью скрытого состояния 312; в метаданных указаны 15,6 млн параметров и формат ONNX. Контекст модели — до 512 токенов, а рекомендуемая длина входа в карточке — до 128 токенов. Модель предназначена прежде всего для анализа заголовков финансовых новостей на английском языке. В README заявлены точность 89,2% и F1 0,87; это показатели из карточки, их применимость зависит от данных и условий оценки. Указана предобработка с приведением к нижнему регистру, нормализацией тикеров, удалением URL и усечением текста. Лицензия в предоставленных данных не указана.