I.14Автоматизация процессов и AI-агенты

project-aps/finbert-finetune — дообученная командой project-aps модель ProsusAI/finbert для определения тональности финансовых текстов и заголовков. Это классификатор на архитектуре BERT с 136,7 млн параметров, который относит входной текст к положительной, отрицательной или нейтральной тональности. Модель обучена на финансовых новостях, рыночных комментариях и отчётных формулировках; карточка указывает набор FinGPT/fingpt-sentiment-train примерно из 60 тысяч примеров и оценку на нескольких финансовых бенчмарках. Модель предназначена для анализа финансовых новостей и других англоязычных финансовых текстов. Она принимает текст и выдаёт метку тональности; заявлены улучшения относительно базовой FinBERT на приведённых авторами тестах, однако результаты зависят от наборов данных и требуют независимой проверки. Длина контекста — до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение, отмеченное авторами: модели бывает трудно корректно интерпретировать тонкие числовые сравнения, например изменение прибыли или убытка между периодами. Высокая уверенность классификатора сама по себе не гарантирует правильность прогноза.

superb/hubert-base-superb-ic — версия HuBERT, перенесённая из S3PRL для классификации намерений в речи в рамках бенчмарка SUPERB. Модель дообучена на базе hubert-base-ls960, предварительно обученной на речевых аудиозаписях с частотой 16 кГц; для входного аудио требуется такая же частота дискретизации. Размер модели — 113,3 млн параметров, формат весов — PyTorch. Модель присваивает высказываниям метки намерений: действие, объект и место. Она предназначена для распознавания намерений в устных командах и сценариев голосового управления. В тесте SUPERB на наборе Fluent Speech Commands указана точность 0,9834 для S3PRL; результат для Transformers не приведён. Карточка не описывает поддержку языков помимо английского. Модель распространяется по лицензии Apache-2.0.

Inferact/Kimi-K3-DSpark — специализированная черновая модель от Inferact для ускорения генерации ответов базовой моделью Kimi-K3 через спекулятивное декодирование в vLLM. Она используется совместно с целевой моделью Kimi-K3, а не как самостоятельная разговорная модель. Модель построена на архитектуре DSpark: пять плотных слоёв с блочной диффузией и некаузальным вниманием формируют блок из семи черновых токенов за один параллельный проход; марковская голова учитывает зависимости между токенами, а голова уверенности помогает планировать вычисления. Архитектура согласована с MLA и KV-кэшем Kimi-K3. В метаданных указаны 3,7 млрд параметров, контекст 1 048 576 токенов и использование safetensors; README описывает обучение на скрытых состояниях Kimi-K3 и работу через vLLM с методом dspark. Модель рассчитана на ускорение генерации в задачах рассуждения, программирования, чата, RAG и работы с длинным контекстом. README сообщает о максимуме 464 токена в секунду для конкретной конфигурации Kimi-K3, vLLM и оборудования при низкоэнтропийной нагрузке; фактический выигрыш зависит от предсказуемости текста и конфигурации сервинга. Для использования нужны базовая Kimi-K3 и совместимая конфигурация vLLM. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели и базовой модели.

osk-arr00/lfm2.5-2.6B-thinkingcap-distiller — компактная текстовая модель для обработки и сжатия длинных рассуждений. Она создана на базе LiquidAI/LFM2.5-2.6B и дообучена методом LoRA на 1 985 отобранных трассах, сгенерированных bottlecapai/ThinkingCap-Qwen3.6-27B на корпусе с ответами Qwen3.8-Max, GLM-5.2 и Kimi K3. Модель распространяется по лицензии Apache-2.0 и поддерживает английский и испанский языки. Модель предназначена не для диалогового общения, а для преобразования многошаговых агентных трасс: последовательностей рассуждений, вызовов инструментов, результатов инструментов, исправлений и повторных попыток. На выходе она формирует компактную трассу в стиле ThinkingCap — короткий блок <think> и окончательный нумерованный ответ. Это может использоваться для подготовки обучающих датасетов, переноса экспертных рассуждений между моделями, самодистилляции и создания специализированных SFT-данных. Размер модели составляет около 2,6 млрд параметров; это авторегрессионная текстовая модель, совместимая с Transformers и llama.cpp. В README приведён пример работы с ограничением входа до 16 384 токенов. По заявленным измерениям, медианная длина трасс сокращается примерно в 3,6 раза, при этом модель сохраняет вердикты и числовые значения; точность совпадения с учителем на проверенных вердиктах составила 90%. Сильные стороны — малый размер, локальный запуск и строгое следование формату. Ограничение состоит в том, что модель ожидает именно отформатированные трассы, а не обычные пользовательские сообщения, и предназначена прежде всего для подготовки данных, поэтому её ответы требуют проверки перед использованием в качестве обучающего материала.

LocateAnything-3B-MLX — конвертированная и оптимизированная Somesh Choudhary из And AI Platforms версия мультимодальной модели NVIDIA LocateAnything-3B для локального запуска на компьютерах Apple Silicon. Модель с 3 млрд параметров принимает изображение и текстовый запрос и находит соответствующие объекты или области на изображении, в том числе по запросам на естественном языке. Модель предназначена для обнаружения объектов с открытым словарём и визуальной привязки текста к областям изображения. Она возвращает текстовые метки и координаты областей, нормализованные в диапазоне от 0 до 1000. Конверсия адаптирует обработку изображений к локальным ограничениям памяти; README заявляет ускорение инференса до 20 раз, но не приводит условия измерения. Репозиторий распространяет веса в формате safetensors и предназначен для использования через MLX на Apple Silicon. Лицензия указана как other, её конкретные условия следует уточнить перед использованием.

BalGu/mistral-7b-anonimiser — экспериментальная модель на базе Mistral, дообученная для анонимизации чувствительных данных в тексте. Для работы используется системный запрос «Anonymize :» и пользовательский текст; модель заменяет распознаваемые персональные данные символом «^». Заявленные категории включают имена, адреса, электронную почту, телефоны, религиозные события, гендер, IBAN и BBAN, SWIFT, номера социального страхования, кредитных карт и паспортов, а также сведения о небольших компаниях. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров, чатом и контекстом до 32 768 токенов. Карточка демонстрирует англоязычный пример; заявленная область применения — анонимизация текста. Модель описана как proof of concept, поэтому полноту и точность обнаружения разных типов данных следует оценивать на целевых текстах. Лицензия в предоставленных сведениях не указана.

nanoswe-depth32-260812 — исследовательская агентная модель для задач программной инженерии, разработанная nanoswe. Это плотная авторегрессионная модель NanoChatForCausalLM примерно на 2,82 млрд параметров, обученная с нуля на многоходовых траекториях SWE-агентов без предварительного обучения на веб-текстах, дообучения на инструкциях и RL. Контекст составляет 32 768 токенов; модель распространяется в формате safetensors и обслуживается через vLLM с отдельным плагином nanoswe-vllm. Модель предназначена для выполнения задач из SWE-bench Verified в агентном цикле, где команды оболочки и результаты их выполнения передаются модели как наблюдения. В описанной оценке она достигла 8,47% pass@1 при десяти сэмплах на задачу. Модель не предназначена для общего диалога: на обычных запросах она может выдавать команды и патчи либо терять связность. Для модели также заявлено отсутствие настройки безопасности; для полезной работы нужен совместимый агентный интерфейс. Лицензия — MIT.

jgalego/notam-subject-qwen3.5-0.8b — компактная текстовая модель на базе Qwen/Qwen3.5-0.8B, дообученная разработчиком с помощью LoRA на данных DEEL-AI/NOTAM и сохранённая после объединения адаптера с базовой моделью. Она определяет основную тему английского NOTAM и относит сообщение к одному из 13 классов: например, взлётно-посадочная полоса, рулёжная дорожка, воздушное пространство, GPS, навигационные средства, препятствия или дикая природа. Модель предназначена для предварительной сортировки и категоризации стандартных англоязычных авиационных извещений NOTAM. На тестовой выборке из 3252 извещений с шаблонами, отсутствовавшими в обучении, автор сообщает точность 0,948 и Macro-F1 0,942. Архитектура — плотная авторегрессионная Qwen3.5; размер — 581,4 млн параметров, формат весов — safetensors, заявленный контекст — 262144 токена. Лицензия — Apache-2.0. Модель обучена на 13 фиксированных категориях: сообщения о других темах она принудительно относит к ближайшему классу. Она рассчитана только на английский текст в стиле ICAO и не сертифицирована и не проверена для планирования полётов, диспетчерской работы или брифингов экипажа; исходный NOTAM необходимо проверять самостоятельно.

NuExtract-1.5-tiny Mealie Ingredient Parser — дообученная с помощью LoRA версия модели numind/NuExtract-1.5-tiny, разработанная для структурированного извлечения ингредиентов в проекте mealie-llm-server. Базовая модель построена на Qwen2.5-0.5B; разработчик адаптации — abyrne55. Модель предназначена для разбора текстовых описаний ингредиентов в рецептах и преобразования их в структурированные поля quantity, unit, food и note. Она ожидает шаблон NuExtract 1.5 и может использоваться локально в формате GGUF, в частности через параметр MODEL_INGREDIENT_EXTRACTOR в mealie-llm-server. Для повышения точности рекомендуется применять ограничивающую грамматику при инференсе. Дообучение выполнено методом LoRA с rank 16 и alpha 32; адаптация затрагивает проекции q/k/v/o. Обучение проводилось с HuggingFace trl.SFTTrainer и peft на наборе данных ingredients.md из проекта mealie-local-ai. Модель ориентирована на текстовую генерацию структурированных результатов; сведения о поддерживаемых языках, размере контекста, точной архитектуре и количественных показателях качества не указаны. Распространяется по лицензии MIT.

Helsinki-NLP/opus-mt-de-af — модель машинного перевода из проекта OPUS-MT, построенная на архитектуре Transformer-align и реализованная как MarianMT. Она переводит текст с немецкого языка на африкаанс; модель однонаправленная и обучена для этой языковой пары. Модель содержит 55,5 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов и имеет контекстное окно 512 токенов. В README приведён результат BLEU 51,3 на Tatoeba-test.deu.afr. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель предназначена для перевода немецких текстов на африкаанс, например предложений и коротких документов. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-id-es — модель машинного перевода семейства Marian, разработанная в рамках проекта OPUS. Она переводит текст с индонезийского языка на испанский. Модель основана на архитектуре Transformer, использует нормализацию текста и токенизацию SentencePiece и содержит 54,6 млн параметров; длина контекста — до 512 токенов. Модель предназначена для автоматического перевода отдельных текстов и интеграции в конвейеры локализации и перевода. Для набора GlobalVoices.id.es в карточке приведены оценки BLEU 21,8 и chr-F 0,483. Модель опубликована под лицензией Apache 2.0. Она выполняет перевод только в направлении с индонезийского на испанский; качество на других тематиках и типах текстов карточка не характеризует.

Helsinki-NLP/opus-mt-om-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка оромо (om) на английский (en) и обучена на данных OPUS с архитектурой Transformer, нормализацией текста и токенизацией SentencePiece. Модель построена на MarianMT, содержит 55,8 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода текстов и фраз с оромо на английский. В карточке приведён результат BLEU 27,3 на тестовом наборе JW300.om.en. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-st-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка сесото (st) на английский (en) и предназначена для автоматического перевода фраз и документов. Модель построена на архитектуре Transformer-align в реализации MarianMT; использует нормализацию текста и токенизацию SentencePiece. В метаданных указаны 54,5 млн параметров и контекст длиной до 512 токенов. Для набора JW300.st.en в карточке приведены оценки BLEU 45,7 и chr-F 0,609. Модель распространяется в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Она рассчитана на перевод только в направлении сесото → английский; качество может зависеть от тематики и отличаться от результатов на указанном тестовом наборе.

Helsinki-NLP/opus-mt-tl-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с тагальского языка (Tagalog) на испанский; модель обучена для этой языковой пары и не является многоязычной. Веса содержат 55,7 млн параметров, максимальная длина контекста — 512 токенов. Перед обработкой применяются нормализация и SentencePiece с размером словаря 32 тыс. токенов. Модель подходит для перевода фраз и текстов с тагальского на испанский. В карточке приведён результат BLEU 31,6 и chr-F 0,531 на наборе Tatoeba-test.tgl.spa. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия Apache-2.0 допускает использование и модификацию на её условиях.

Qwen3.5-122B-A10B-DFlash — черновая модель для спекулятивного декодирования, совместно переобученная Z-Lab и Modal на основе Qwen/Qwen3.5-122B-A10B. Это не самостоятельная языковая модель: её используют вместе с целевой моделью в сервере инференса с поддержкой DFlash. Лёгкая черновая модель на основе блочной диффузии параллельно предлагает несколько токенов, а целевая модель проверяет предложения, сохраняя своё распределение выходов и ускоряя генерацию. Модель имеет 1,4 млрд параметров, использует архитектуру DFlashDraftModel и поставляется в формате safetensors. В README описано обучение на последовательностях длиной 40 тыс. токенов со скользящим окном внимания; метаданные указывают нативный контекст 262 144 токена. Указана библиотека Transformers и лицензия Apache-2.0. Бенчмарки на Qwen с SGLang показывают ускорение до 4,21 раза при параллелизме 1 и до 3,07 раза при параллелизме 32 на проверенных задачах, включая математику и программирование; результаты зависят от конфигурации сервера и нагрузки.

Qwen3.5-397B-A17B-DFlash — черновая модель DFlash, выпущенная совместно Z-Lab, Modal и SGLang для использования вместе с целевой моделью Qwen/Qwen3.5-397B-A17B. Это не самостоятельная языковая модель: её подключают к серверу инференса, поддерживающему спекулятивное декодирование DFlash. Модель использует облегчённую блочную диффузионную архитектуру, чтобы параллельно предлагать несколько токенов, которые целевая модель проверяет; такой подход ускоряет генерацию, сохраняя распределение выходов целевой модели. В метаданных указаны 2,2 млрд параметров, контекст 262 144 токена, формат safetensors и библиотека Transformers. README приводит результаты тестов с SGLang на восьми NVIDIA B200: ускорение зависит от нагрузки и настроек, достигая 4,31 раза при конкуренции 1 и 2,77 раза при конкуренции 32. Проверялись задачи GSM8K, MATH500, HumanEval, MBPP и MT-Bench. Модель распространяется по лицензии Apache-2.0. Для работы требуется соответствующая целевая модель и сервер с поддержкой DFlash speculative decoding; приведённые показатели получены на конкретной конфигурации оборудования и тестовых нагрузках.

ShieldGemma 27B — модель модерации контента от Google, дообученная на базе Gemma 2. Это декодерная текстовая языковая модель с открытыми весами, предназначенная для проверки пользовательских запросов, ответов модели или обоих типов текста на сексуально откровенный контент, опасные инструкции, язык ненависти и травлю. На вход подаётся текст с проверяемым содержимым и описанием правил модерации в специальном формате; модель отвечает текстом, начинающимся с «Yes» или «No», и указывает, нарушает ли содержимое заданные правила. Модель рассчитана на англоязычные сценарии и имеет 27 млрд параметров. Она поддерживает шаблоны чата Transformers, позволяющие проверять сообщения пользователя и ассистента. Результат зависит от формулировки правил безопасности; модель может непредсказуемо работать с неоднозначностью и нюансами языка. Доступные тесты модерации могут недостаточно отражать реальные сценарии. Использование регулируется лицензией Gemma и политиками Google о запрещённом использовании.

Lightmourne/speecht5_finetuned_voxpopuli_nl — дообученная на датасете VoxPopuli модель Microsoft SpeechT5 для синтеза речи из текста. Она предназначена для преобразования текстового ввода в аудио; карточка сообщает результат оценки Loss 0.4583. Модель использует архитектуру SpeechT5ForTextToSpeech и сохранена в форматах PyTorch и Safetensors. Модель ориентирована на нидерландскую речь, что следует из названия репозитория и датасета VoxPopuli. Она распространяется по лицензии MIT. Карточка не описывает голос, качество синтеза или ограничения для отдельных сценариев, поэтому эти характеристики нельзя уточнить.

Карточка модели StanfordAIMI/stanford-deidentifier-only-radiology-reports-augmented на Hugging Face совпадает с карточкой StanfordAIMI/stanford-deidentifier-with-radiology-reports-and-i2b2, поэтому описание составлено по ней. Модель StanfordAIMI предназначена для автоматического выявления персональных идентификаторов в радиологических и биомедицинских документах с помощью разметки последовательности токенов. Она разработана Stanford AIMI и обучена на разных радиологических и биомедицинских текстах; авторы указывают, что целились в точность, подходящую для производственного применения. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст на английском языке, работает с контекстом до 512 токенов и возвращает метки для токенов, что позволяет находить фрагменты, подлежащие деидентификации. Модель можно применять в конвейерах обезличивания радиологических заключений и других биомедицинских документов перед их хранением, обменом или исследовательским анализом. Репозиторий использует формат PyTorch и лицензию MIT. README ссылается на сопутствующую публикацию, но не приводит метрики качества или подробности схемы меток.

TAPAS large — модель семейства TAPAS от Google для ответов на вопросы по табличным данным. Она основана на BERT-подобном трансформере и дообучена последовательно на SQA и WikiSQL; размер модели составляет 433,9 млн параметров. Модель принимает вопрос и таблицу, представленную в виде последовательности текста, и выбирает ячейки таблицы с помощью специализированных классификационных голов, при необходимости выполняя агрегацию. Модель рассчитана на вопросы на английском языке о содержимом таблиц, включая запросы к таблицам в формате WikiSQL. Предварительное обучение включало маскированное языковое моделирование и промежуточное обучение на синтетических примерах для числового рассуждения. В README указана максимальная длина последовательности 512 токенов при дообучении; метаданные каталога указывают контекст в 1024 токена. Доступны версии с относительными позиционными встраиваниями, сбрасывающими позиции в каждой ячейке, и с абсолютными позициями. Модель распространяется по лицензии Apache-2.0. Она специализирована на табличных вопросах и обучена на англоязычных данных; результаты для других языков и форматов задач карточкой не подтверждены.

VieNeu-TTS v2 Turbo — ускоренная версия модели синтеза речи семейства VieNeu-TTS от pnnbao-ump. Она построена на трансформере-декодере Qwen3 с 111,6 млн параметров и использует двухэтапную схему: языковая модель предсказывает дискретные аудиотокены по тексту и данным о голосе, после чего нейрокодек VieNeu-Codec преобразует их в речь с частотой 24 кГц. Модель принимает текст и короткий образец голоса, поддерживает вьетнамский и английский языки, включая смешение языков в одной фразе; длина родного контекста — 4096 токенов. Модель предназначена для низколатентного синтеза речи на GPU, интерактивных помощников и создания аудиоконтента. По заявлению авторов, клонирование голоса работает в zero-shot-режиме по образцу длительностью 3–5 секунд без текста образца; аудиовыход содержит незаметный водяной знак для идентификации происхождения. В метаданных среди обучающих данных указаны VieNeu-TTS-1000h, Vietnamese Audio Corpus, Emilia и Multilingual LibriSpeech. Модель распространяется по лицензии Apache-2.0.

nvidia/Aegis-AI-Content-Safety-LlamaGuard-Defensive-1.0 — модель для классификации и модерации контента на основе Llama Guard, разработанная NVIDIA. Это параметрически эффективная instruction-tuned версия модели на базе Llama 2 7B, обученная на датасете Nemotron Content Safety Dataset V1, содержащем примерно 11 000 размеченных запросов и ответов. Модель предназначена для выявления небезопасного содержания в пользовательских сообщениях и диалогах. Модель работает как классификатор: с учётом заданной в системной инструкции политики безопасности она возвращает признак safe или unsafe, а при небезопасном результате — идентификатор нарушенной категории. Обученная таксономия включает 13 критических категорий рисков, а также safe и needs caution. Поддерживается передача новой таксономии и политики через инструкцию. Основной язык модели — английский; тип задачи — text classification. Разметка выполнялась на уровне диалога, поэтому модель обучена прежде всего классифицировать пользовательские запросы, а не отдельные реплики или ответы. Сильными сторонами являются специализированная настройка для контентной безопасности, поддержка гибко задаваемых политик и категорий, а также применение параметрически эффективного обучения. Ограничения включают работу только с текстом, отсутствие обучения на уровне отдельных ходов диалога и необходимость использовать рекомендованный шаблон при классификации ответов. Лицензия — Llama 2 Community License Agreement.

Alz-SumAgent — англоязычная модель суммаризации, разработанная Tamil Priya Balaji и дообученная на основе facebook/bart-large-cnn. Это последовательностный трансформер BART с архитектурой энкодер-декодер; в метаданных указано 252,8 млн параметров и контекст 1024 токена. Модель адаптирована к научным текстам об Alzheimer’s disease: она сжимает аннотации PubMed и извлечённые фрагменты исследований в краткие сводки с опорой на исходные материалы. Основной сценарий — промежуточный этап RAG-конвейера: Alz-SumAgent сокращает найденные свидетельства, после чего отдельная языковая модель формирует итоговый ответ с цитированием. Модель предназначена для англоязычных биомедицинских и исследовательских текстов, а её качество для других областей не оценено. Лицензия — MIT. Сводка может опускать нюансы или содержать неподтверждённые исходным текстом утверждения; отдельная оценка фактической точности модели не приведена. Модель не предназначена для диагностики, рекомендаций по лечению или работы с данными пациентов и должна использоваться как вспомогательный этап с проверкой итогов по исходным публикациям.

athene-noctua-13b — авторегрессионная языковая модель, созданная ibivibiv на архитектуре Llama 2 и дообученная для логических задач и рассуждений. Модель предназначена для упражнений по планированию, решения логических головоломок, тестов ARC и задач на критическое мышление. Она принимает текстовые инструкции в шаблоне Alpaca и генерирует текстовый ответ. Модель содержит 12,9 млрд параметров, использует архитектуру Llama с плотной сетью и поддерживает контекст до 4096 токенов. Основной язык — английский. Автор отмечает хорошие результаты на логических тестах для модели такого размера, но указывает, что сложные логические задачи всё ещё могут быть ей не по силам. Лицензия — Llama 2 Community License.

Nexusflow Athene-RM-8B — модель оценки вознаграждения с открытыми весами, разработанная командой Nexusflow. Она дообучена на Meta-Llama-3-8B-Instruct и предназначена для оценки качества ответов языковых моделей, в том числе в сценариях RLHF и ранжирования ответов. Модель использует плотную архитектуру Llama и содержит 7,5 млрд параметров; метаданные указывают контекст до 8192 токенов и библиотеку Transformers. Модель принимает текст и выдаёт оценку для классификации ответа. Карточка указывает английский язык. Весам назначена Nexusflow Research License (лицензия `other` в метаданных); перед использованием следует проверить условия этой лицензии. README не приводит численных результатов оценки или подробностей обучающих данных.

FinSense — англоязычная модель классификации тональности финансовых новостей, разработанная Анкитом Аглаве. Она дообучена на answerdotai/ModernBERT-base и присваивает тексту одну из трёх меток: positive, neutral или negative. Модель предназначена для анализа заголовков, новостных сообщений и предложений аналитиков, а также пакетной оценки большого числа финансовых текстов. В основе лежит encoder-only архитектура ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Карточка сообщает о быстрой работе с Flash Attention и возможности запуска на CPU. На отложенном тестовом наборе Financial PhraseBank модель показала accuracy 0,8675 и macro-F1 0,8589; авторы публикуют скрипт разбиения данных и результаты нескольких запусков, но отмечают, что независимая оценка на данных вне обучающего корпуса пока не опубликована. Весы доступны по лицензии Apache-2.0. Модель обучалась на Financial PhraseBank, распространяемом по CC BY-NC-SA, поэтому коммерческим пользователям следует учитывать условия лицензии датасета. Классификация отражает тональность финансового текста и сама по себе не является рекомендацией для инвестиционных решений.

Florence-2-large-PromptGen v1.5 — разработанная MiaoshouAI и дообученная на базе Microsoft Florence-2 Large модель для создания подписей и тегов к изображениям, в том числе для MiaoshouAI Tagger в ComfyUI. Она преобразует изображение в теги в стиле Danbooru, краткую строку, структурированное описание с расположением объектов, подробную подпись или смешанный формат тегов и описания для Flux. Структурированный режим также распознаёт текст на изображении, а версия 1.5 улучшает распознавание водяных знаков и точность подписей. Модель принимает изображения и выдаёт текст. По карточке, она рассчитана на эффективную работу с памятью и может создавать подписи, используя чуть более 1 ГБ видеопамяти. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Языки модели в карточке не перечислены.

gpt-oss-20b-DFlash — компактная модель-черновик на основе архитектуры Qwen3, разработанная z-lab для метода ускорения генерации DFlash. Она предсказывает блоки черновых токенов, которые целевая модель проверяет параллельно, ускоряя инференс без замены целевой модели. Модель содержит около 1,3 млрд параметров по метаданным, использует формат safetensors и заявленный контекст до 131 072 токенов; в README размер указан как 0,8 млрд параметров. Её необходимо использовать совместно с openai/gpt-oss-20b. Модель предназначена для ускорения генерации текста целевой моделью, включая задачи математики, программирования и диалогов. По данным README, обучение проведено на 800 тысячах примеров из Nemotron-Post-Training-Dataset-v2 и evol-codealpaca-v1, ответы в которых были заново сгенерированы целевой моделью. В описанной конфигурации DFlash использовался размер блока 8, то есть семь черновых токенов; авторы сообщают об ускорении примерно в 1,9–2,2 раза на тестах при заданных условиях, включая одну H200 и SGLang. Лицензия — MIT. Результаты зависят от целевой модели, нагрузки и конфигурации инференса; модель сама по себе не является полноценной заменой gpt-oss-20b.

OBSIDIAN — модель классификации коротких текстов на арабском языке, разработанная в рамках проекта SoftALL в Университете нефти и минералов имени короля Фахда (KFUPM). Она дообучена на основе AraBERT и использует архитектуру BERT с классификационной головой; модель содержит 162,4 млн параметров и принимает до 512 токенов. Модель присваивает тексту одну из пяти меток: угроза, насилие, эмоциональное неблагополучие, жалоба или нейтральное содержание. Модель предназначена для классификации арабских твитов и коротких сообщений, мониторинга публичных обсуждений и поддержки систем раннего оповещения и аналитических панелей. Её можно применять для обработки отдельных текстов и пакетных наборов данных, а также как компонент систем ситуационной осведомлённости. Авторы рекомендуют использовать прогнозы как сигналы для поддержки решений с проверкой человеком. Качество может снижаться на длинных текстах, при смешении языков, OCR-ошибках, сарказме, неявных формулировках, локальных диалектах и данных, отличающихся от обучающих. Значения классов могут пересекаться, поэтому модель не подходит как единственное основание для правовых, дисциплинарных или иных высокорисковых решений. Лицензия в предоставленных источниках не указана.

OpenMed разработала OpenMed-PII-German-BiomedELECTRA-Large-335M-v1 — модель классификации токенов на базе BiomedELECTRA Large, дообученную для обнаружения и разметки 54 типов персональных и чувствительных данных в немецком тексте. Она выделяет, например, имена, адреса, идентификаторы, контактные, финансовые и медицинские сведения. По метаданным модель содержит 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и использует архитектуру BERT для классификации токенов. Модель предназначена для автоматического выявления данных перед обезличиванием медицинских записей и других документов, подготовки наборов данных к исследованиям и проверки коллекций документов на наличие чувствительной информации. В README указана оценка micro F1 0,9638 на немецкой части датасета AI4Privacy PII Masking 400k; качество может меняться на других данных и в зависимости от контекста. Модель оптимизирована для немецкого языка, поэтому её результаты на других языках не гарантированы. README рекомендует использовать её как вспомогательный инструмент и проверять критичные результаты человеком. Лицензия — Apache-2.0.