I.14Автоматизация процессов и AI-агенты

HyperX-Sen разработал эту дообученную модель на базе Qwen/Qwen2.5-7B-Instruct для задач рассуждения. Модель с архитектурой Qwen2 и 7,1 млрд параметров обучалась на наборе GSM8K, чтобы улучшить решение математических текстовых задач, пошаговые выводы и логическую дедукцию. Модель принимает текст и генерирует текст; она поддерживает диалоговый режим. Контекст — до 32 768 токенов. По карточке, модель рассчитана на математические задачи, логические выводы и рассуждения здравого смысла, а также может применяться в учебных помощниках и системах решения задач. Лицензия — MIT.

Это текстовая модель генерации кода, созданная дообучением Qwen3.5-4B командой Sitting Duck для преобразования инструкций на английском языке в CSS-селекторы astcss формата ast_select. Модель имеет плотную архитектуру Qwen3.5, около 3,4 млрд параметров, работает через Transformers и принимает контекст до 262 144 токенов. В опубликованном артефакте веса объединены с базовой моделью и сохранены в float16; отдельный адаптер при запуске не нужен. Модель обучена на корпусе уровня tier-5 с карточками словаря для каждого языка. В README сообщается точность 90,7% на наборе из 108 пар и 90,9% на eval_t5 из 55 более сложных примеров с реляционными селекторами; оценка проводилась исполнением селектора на тестовом DOM. Для надёжной работы требуется соответствующая карточка в системном промпте. Это специализированный преобразователь, а не универсальная чат-модель; README также указывает, что она текстовая и что квантованный NF4 вариант может давать немного другие результаты. Лицензия — Apache-2.0.

ReAG-3B — генератор ответов в мультимодальном конвейере ReAG для ответов на вопросы по изображениям с опорой на внешние знания. Модель разработана AIMagelab и основана на Qwen2.5-VL-3B; она дообучена в несколько этапов: сначала с помощью supervised fine-tuning, затем с reinforcement learning для формирования явных рассуждений, опирающихся на извлечённые свидетельства. Это плотная vision-language-модель с 3,1 млрд параметров, контекстом до 128 000 токенов и форматом весов Safetensors. Модель принимает изображение и вопрос, а также отобранные релевантные фрагменты, и выдаёт рассуждение с последующим кратким ответом. В полном конвейере ReAG отдельная модель-критик фильтрует шумные или нерелевантные найденные фрагменты перед передачей генератору. В README заявлено превосходство ReAG над предыдущими методами на Encyclopedic-VQA и InfoSeek. Модель рассчитана прежде всего на англоязычные задачи визуальных вопросов с использованием знаний. Лицензия — Apache-2.0. Для описанного полного конвейера нужны модель ReAG-Critic и извлечённые фрагменты знаний; качество ответов зависит от их релевантности. Представление явного пошагового рассуждения может быть избыточным для сценариев, где требуется только краткий ответ.

aronjose2005/resume-strength-model — дообученная модель DistilBERT для классификации текста. Она предназначена для оценки силы резюме по тексту, что следует из названия модели; в карточке не описаны классы и правила оценки. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведены метрики на оценочном наборе: accuracy, precision, recall и F1 равны 0,95; состав и происхождение набора данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает подробные сценарии применения и ограничения оценки, поэтому результаты следует интерпретировать с учётом неизвестных данных обучения и классов.

Модель Jean-Baptiste/roberta-large-financial-news-sentiment-en — классификатор тональности финансовых новостей на базе RoBERTa-large, дообученный автором на наборе financial_news_sentiment_mixte_with_phrasebank_75. В обучающую выборку вошли предложения из Financial PhraseBank, подтверждённые не менее чем 75% аннотаторов, и около 2 000 вручную размеченных статей канадских финансовых новостей. Модель относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Она предназначена для анализа тональности финансовых новостей, в частности новостей о канадском рынке. В README указаны macro F1 93,25% на общей оценке и F1 83,6% на канадских новостях. Модель содержит 454,1 млн параметров, имеет архитектуру RoBERTa для классификации последовательностей и контекст до 514 токенов. Поддерживаемый язык — английский. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Лицензия — MIT; результаты на канадских новостях заметно ниже общей оценки, поэтому качество для других рынков и типов финансового текста может отличаться.

JinnP/SGLang-EAGLE3-Qwen3-Coder-30B-A3B-Instruct — лёгкая черновая модель EAGLE3 для ускорения генерации с целевой моделью Qwen/Qwen3-Coder-30B-A3B-Instruct. EAGLE3 предлагает несколько будущих токенов, которые целевая модель проверяет параллельно; при использовании совместимого SGLang это может ускорить инференс без изменения качества итогового вывода. Модель построена на облегчённом трансформере с одним слоем и общими с целевой моделью эмбеддингами; метаданные указывают 396,1 млн параметров и контекст 2048 токенов. Она предназначена для спекулятивного декодирования при генерации кода и диалогового текста. Карточка сообщает о обучении на наборе OpenPromptContainer и приводит метрики точности черновых предсказаний, однако выигрыш в скорости зависит от целевой модели, оборудования и настроек запуска. Модель распространяется по лицензии Apache-2.0. Она не предназначена для самостоятельной генерации: для работы нужны соответствующая целевая модель и поддержка EAGLE3 в среде инференса, например SGLang.

panggi/t5-small-indonesian-summarization-cased — компактная модель T5, дообученная для создания кратких пересказов на индонезийском языке. Автор дообучил базовую модель t5-small-bahasa-summarization-cased от huseinzol05 на наборе данных IndoSum. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и формат PyTorch; максимальная длина контекста составляет 1024 токена. Модель предназначена для автоматического суммирования индонезийских текстов. Её можно использовать для сокращения статей и других материалов до краткого пересказа. Для запуска автор показывает загрузку через библиотеку Transformers. Модель ориентирована на индонезийский язык, поэтому качество для других языков не установлено. Карточка не приводит оценок качества или подробного описания ограничений. Лицензия в предоставленных данных не указана.

Windstorm Labs опубликовала компактную модель машинного перевода испанского языка на галисийский. Это дообученная версия Helsinki-NLP/opus-mt-es-gl: LoRA-адаптер обучили на параллельных текстах и объединили с базовыми весами. Модель построена на архитектуре Marian, содержит 28,1 млн параметров и доступна в формате safetensors для Transformers; контекст — до 512 токенов. Модель предназначена для перевода текстов с испанского на галисийский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 50,20 и BLEU 22,02; это скрининговая оценка, а не результат публикационного исследования. Модель поддерживает только одно направление перевода. Распространяется по лицензии Apache-2.0 с указанием происхождения от Helsinki-NLP/opus-mt-es-gl.

TraVisionLM-Object-Detection-ft — модель обнаружения объектов, созданная дообучением ucsahin/TraVisionLM-base на датасете COCO-OD-TR-Single-Objects-v2. Она принимает изображение и текстовую инструкцию на турецком языке, например «Tespit et: *название объекта*», и формирует текстовый ответ с меткой объекта и координатами ограничивающей рамки. Координаты кодируются специальными токенами и переводятся в пиксели с учётом размера изображения. Модель предназначена для поиска заданного объекта на изображении и рассчитана на обнаружение одного объекта в каждом изображении. В README указано обучение на 150 тысячах примеров; базовая модель имеет 875 млн параметров. Модель построена на TraVisionLM и загружается через Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Автор предупреждает, что модель может выдавать неточные результаты и что для более надёжного обнаружения потребуется больше качественных обучающих данных. Оценка потерь на тестовой выборке составляет 2,2919; других показателей качества карточка не приводит.

CeLLaTe-ner-bioformer16l-tapt-tokenizer-adapted-v2 — дообученная Mardiyyah модель для разметки именованных сущностей в английском тексте. Она основана на BERT-архитектуре и содержит 50,8 млн параметров; использует токенизатор, адаптированный для базовой модели CeLLaTe. Модель обучена на наборе Mardiyyah/CeLLaTe-ner-2class-iob и предназначена для присвоения меток отдельным токенам, в том числе в биомедицинских текстах. В карточке приведены результаты оценки: F1 0,759, точность 0,7488, полнота 0,7695 и accuracy 0,9821. Контекст составляет до 1024 токенов. Распространяется по лицензии Apache-2.0. Карточка не описывает классы сущностей и ограничения применения, поэтому результаты на других наборах данных могут отличаться.

datgacon/cuad-cross-encoder-v11 — модель reranking для поиска и повторного ранжирования договорных фрагментов по запросам на естественном языке в задачах анализа контрактов. Она разработана datgacon на основе cross-encoder/ms-marco-MiniLM-L-6-v2 и дообучена на данных CUAD, ACCORD, LEDGAR, ContractNLI, выдержках контрактов из EDGAR и синтетических примерах. Модель ориентирована на англоязычные коммерческие договоры и предназначена прежде всего для сценариев contract review, включая поиск положений о совместных предприятиях, интеллектуальной собственности, запрете конкуренции и непереманивании, а также конфиденциальности и NDA. Она не предназначена для общего поиска документов, нелегальных доменов или использования в качестве самостоятельного юридического консультанта. Архитектура — cross-encoder на базе BERT-подобной модели MiniLM; модель оценивает пары «запрос — фрагмент» и возвращает оценку релевантности для последующего ранжирования. Максимальная длина последовательности составляет 512 токенов. Доступна версия ONNX INT8, оптимизированная для инференса в браузере и на периферийных устройствах через ONNX Runtime Web, а также использование через sentence-transformers на PyTorch. Обучение выполнено на примерно 72 101 тренировочной и 5 612 валидационных тройках. На закрытом наборе из 16 контрактов модель показала от 37 до 47% полностью успешных результатов в зависимости от домена, но часто возвращала частично корректные результаты, поэтому требует проверки человеком и не заменяет юридическую экспертизу. Модель распространяется по лицензии Apache-2.0.

agentlans/deberta-v3-xsmall-tweet-sentiment — англоязычная модель анализа тональности коротких сообщений, разработанная на основе DeBERTa-v3 xsmall и дообученная для регрессии тональности твитов. Она принимает текст и выдаёт непрерывную оценку: отрицательное значение соответствует негативной тональности, ноль — нейтральной, положительное значение — позитивной; абсолютная величина оценки отражает её выраженность. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель предназначена для оценки тональности англоязычных твитов и коротких сообщений. Она обучена на твитах, опубликованных с сентября 2009 по январь 2010 года; оценки для обучающих данных получены из метаанализа десяти классификаторов тональности с использованием метода главных компонент. На тестировании для варианта xsmall указана RMSE 0,2560. Модель может хуже работать с сарказмом, тонкими нюансами и текстами за пределами жанра твитов; она не учитывает контекст за пределами отдельного сообщения. Данные обучения отражают демографию пользователей Twitter и условия указанного периода. Лицензия — Apache 2.0.

Это квантованная сборка черновой EAGLE-3-модели для gpt-oss-20b, опубликованная EntityDeletr на основе nebius/EAGLE3-gpt-oss-20b. Она предназначена для спекулятивного декодирования: модель предлагает черновые токены, которые проверяет основная модель gpt-oss-20b, чтобы ускорить генерацию текста. В README приведены результаты принятия черновых токенов на MT-bench, HumanEval и GSM8K; обучение исходной модели проводилось с целевыми функциями LK, ориентированными на долю принятых токенов. В репозитории доступны исходные веса в safetensors, bf16 GGUF и квантованный GGUF Q5_K_M. Использование описано через vLLM с методом eagle3. Модель имеет лицензию CC BY 4.0. Для работы требуется совместимая основная модель gpt-oss-20b и инфраструктура, поддерживающая EAGLE-3; сама по себе это не универсальная модель для самостоятельной генерации ответов.

Financial-RoBERTa — модель для анализа тональности финансовых текстов, разработанная Mohammad Soleimanian. Она построена на RoBERTa Large, дополнительно обученной и дообученной на корпусе финансовой отчётности и новостей. Модель классифицирует текст по трём меткам: положительная, отрицательная или нейтральная, и выдаёт оценки softmax. Модель предназначена для анализа финансовой отчётности, объявлений о доходах, стенограмм звонков с инвесторами, CSR-отчётов, ESG-материалов и финансовых новостей. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, длина контекста — 514 токенов. В карточке указан английский язык. Лицензия — Apache-2.0.

GLiNER2-base-v1-CASIE — модель извлечения информации, созданная дообучением fastino/gliner2-base-v1 командой whr778. Она предназначена для выявления сущностей и событий кибербезопасности в англоязычном тексте; карточка также указывает задачи извлечения отношений и классификации. Обучение проводилось на наборе CASIE: 798 записей для обучения, 95 для валидации и 107 для тестирования. Модель работает через библиотеку gliner2, веса опубликованы в формате safetensors. На тестовой выборке F1 для типов событий составила 0,928, а для триггеров событий — 0,413 при строгом сопоставлении и 0,490 при ослабленном. Для сущностей F1 составила 0,553 и 0,681 соответственно, поэтому извлечённые сущности и триггеры требуют проверки. Лицензия указана как other; конкретные условия использования следует сверить с карточкой и исходным набором данных CASIE.

GLM-5.3-DFlash2 — черновая модель DFlash 2 для ускорения генерации текста базовой моделью zai-org/GLM-5.3. Это не самостоятельная языковая модель: она работает внутри сервера спекулятивного декодирования, например SGLang, и предлагает токены, которые затем проверяет целевая модель. Модель на архитектуре Qwen3 с классом DFlash2DraftModel содержит 2,8 млрд параметров и рассчитана на контекст до 1 048 576 токенов. DFlash 2 использует блочную диффузию: за один проход предсказывает блок токенов и сохраняет несколько кандидатов для каждой позиции, после чего селектор выбирает согласованный путь. По README, декодирование сохраняет результат целевой модели: при жадной генерации вывод совпадает с ней, а при выборке сохраняется её распределение. В описанных тестах на задачах GSM8K, MATH-500 и HumanEval модель показала более высокую пропускную способность, чем autoregressive decoding и встроенный MTP базовой модели; результаты измерялись на четырёх NVIDIA GB300 с SGLang и не гарантируют такую же скорость на другой конфигурации. Для использования требуются целевая модель GLM-5.3, совместимый сервер спекулятивного декодирования и соответствующее оборудование. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

GreenTruth Claim Detector — англоязычный бинарный классификатор предложений, разработанный как текстовый этап системы GreenTruth для анализа экологических заявлений. Он помогает находить проверяемые заявления в корпоративных раскрытиях перед последующей проверкой по данным наблюдений Земли; классификация не оценивает истинность заявления и не определяет, вводит ли компания в заблуждение. Модель основана на RoBERTa, дообученной на ClimateBERT DistilRoBERTa для экологических текстов. Она содержит 95,4 млн параметров, принимает текст и выдаёт метку класса; максимальная длина на обучении составляла 256 токенов, а контекст модели — 514 токенов. Обучение проводилось три эпохи на наборе environmental_claims. Для сопоставимых моделей статья сообщает macro-F1 около 85%, но это не отдельная оценка данного чекпойнта. Модель предназначена для английских текстов публичной отчётности компаний. Возможен сдвиг качества на других типах текстов и в других областях; результат следует использовать для отбора заявлений на проверку, а не как вывод об их достоверности или намерениях компании. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях некоммерческого распространения с сохранением лицензии.

GuardReasoner-Omni-3B — мультимодальная модель семейства Qwen2.5-Omni, дообученная методом SFT и оптимизированная с помощью GRPO на основе Qwen/Qwen2.5-Omni-3B. Она создана как рассуждающий защитный фильтр для проверки текста, изображений, видео и аудио и предназначена для обнаружения потенциально небезопасного содержимого. В метаданных указаны архитектура Qwen2_5OmniForConditionalGeneration, 3B в названии модели, библиотека Transformers и формат Safetensors; задача репозитория — text-to-audio. README связывает модель с исследовательской работой GuardReasoner-Omni и указывает, что обучающие и тестовые данные доступны в отдельном наборе GuardReasoner-Omni-data. Метаданные отмечают английский язык и возможность принимать аудио. Лицензия и длина контекста в предоставленных источниках не указаны.

kwoncho/KoFinBERT — корейская модель RoBERTa для классификации тональности предложений из корпоративных новостей на положительную, нейтральную или отрицательную. Модель разработана на основе исследования по классификации новостей о компаниях с использованием KoBERT и дообучена для этой задачи; в репозитории указаны 137,8 млн параметров и контекст до 514 токенов. Модель предназначена для анализа важных новостей в финансовой, управленческой и бухгалтерской сферах. Например, она может отличать нейтральное сообщение о росте долга компании от негативного сообщения, где рост связан с провалом стратегии. Для новостей низкой значимости точность может быть ниже; автор указывает F1 0,869 и отмечает, что улучшение относительно результата статьи невелико. Лицензия в предоставленных данных не указана.

Llama-OuteTTS-1.0-1B — модель синтеза речи на базе архитектуры Llama, подготовленная Unsloth на основе OuteAI/Llama-OuteTTS-1.0-1B. Она преобразует текст в речь и поддерживает клонирование голоса по короткому образцу: для создания профиля обычно достаточно около 10 секунд референсного аудио. Модель автоматически выравнивает слова с аудио, принимает текст на родном письме без обязательной романизации и поддерживает числа в текстовом вводе. Модель содержит 1,2 млрд параметров, использует библиотеку OuteTTS и аудиокодек DAC с двумя кодовыми книгами. Заявлена поддержка английского, арабского, китайского, нидерландского, французского, немецкого, итальянского, японского, корейского, литовского, русского, испанского и ряда других языков; качество зависит от объёма обучающих данных для каждого языка. Для лучшего результата рекомендуется создавать профиль говорящего на целевом языке и генерировать речь отрывками примерно до 42 секунд. Качество синтеза чувствительно к настройке повторного штрафа: его следует применять к окну из 64 последних токенов, поскольку штраф на всём контексте может ухудшить или сломать результат. README отмечает наиболее надёжный вывод в llama.cpp; библиотека OuteTTS также реализует оконный штраф для Transformers. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

Карточка модели fushh7/llmdet_swin_large_hf на Hugging Face совпадает с карточкой fushh7/llmdet_swin_tiny_hf, поэтому описание составлено по ней. LLMDet — детектор объектов с открытым словарём, представленный в версии для Hugging Face. Модель разработана авторами Shenghao Fu и коллегами; работа отмечена как Highlight на CVPR 2025. В карточке указана архитектура Grounding DINO и класс GroundingDinoForObjectDetection. Модель предназначена для обнаружения объектов по текстовым описаниям и поиска объектов на изображениях без заранее фиксированного набора классов. Её можно применять для локализации объектов по запросам на естественном языке и исследовательских экспериментов с open-vocabulary детекцией. В статье обучение описано как использующее надзор со стороны больших языковых моделей. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. README отсылает за подробностями к GitHub и статье; параметры размера, контекстного окна и поддерживаемые языки в предоставленных данных не приведены.

LLMDet — детектор объектов с открытым словарём, представленный в версии для Hugging Face. Модель разработана авторами Shenghao Fu и коллегами; работа отмечена как Highlight на CVPR 2025. В карточке указана архитектура Grounding DINO и класс GroundingDinoForObjectDetection. Модель предназначена для обнаружения объектов по текстовым описаниям и поиска объектов на изображениях без заранее фиксированного набора классов. Её можно применять для локализации объектов по запросам на естественном языке и исследовательских экспериментов с open-vocabulary детекцией. В статье обучение описано как использующее надзор со стороны больших языковых моделей. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. README отсылает за подробностями к GitHub и статье; параметры размера, контекстного окна и поддерживаемые языки в предоставленных данных не приведены.

Это японская модель для ответов на вопросы, созданная дообучением luke-japanese-large-lite на наборе DDQA для автомобильной тематики. Модель семейства LUKE использует Transformer с механизмом entity-aware self-attention, который учитывает слова и сущности как отдельные токены. Размер модели — 436,2 млн параметров, максимальный контекст — 514 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из предоставленного текста и может применяться в сценариях вопросно-ответного поиска по японским материалам, в том числе по автомобильной тематике. В README приведены результаты на наборе оценки: exact match 0,863 и F1 0,930. Лицензия — MIT.

mikhail-panzo/malay_full_checkpoint — дообученная модель Microsoft SpeechT5 TTS для преобразования текста в аудио. В карточке указан результат оценки: loss 0,3226; датасет и дополнительные сведения о назначении модели не описаны. Модель распространяется в формате safetensors по лицензии MIT. Базовая модель SpeechT5 предназначена для синтеза речи из текста.

MoonViT K2.6 — репозиторий с башней зрения MoonViT и проектором Kimi K2.6, подготовленный для загрузки как самостоятельной модели Transformers. По README, он содержит 27-слойную башню с размерностью скрытого состояния 1152, 16 головами внимания, промежуточной размерностью 4304 и патчами 14 пикселей; токены пространственно объединяются блоками 2×2 и сжимаются по времени. Проектор преобразует объединённые визуальные токены в размерность языковой модели Kimi K2.6. Модель принимает изображения через стандартный интерфейс процессора и предназначена для извлечения визуальных признаков и подготовки проецированных признаков для Kimi K2.6. Веса опубликованы в формате safetensors; библиотека — Transformers. В README указано, что веса и выходы сверялись с родительской реализацией побитово. Репозиторий экспортирован из опубликованных весов Kimi K2.6 vision-only, а базовой моделью метаданные называют moonshotai/Kimi-K2.6. Лицензия обозначена как other; конкретные условия следует проверять на странице модели.

Helsinki-NLP/opus-mt-en-cpp — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с английского на несколько креольских и близких к ним языков и разновидностей: индонезийский, минангкабау, папьяменто, макасарский, малайский и индонезийский малайский. Для выбора целевого языка в начале входного текста требуется токен вида >>id<< с допустимым кодом языка. Модель основана на архитектуре Transformer и реализована как MarianMTModel; содержит 54,7 млн параметров, использует нормализацию и SentencePiece с словарём 32 тыс. токенов. Максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт текст перевода. Для лицензии Apache-2.0 разрешено использование в соответствии с её условиями. В README приведены результаты на тестовых наборах Tatoeba, включая BLEU 42,5 для перевода с английского на папьяменто.

Helsinki-NLP/opus-mt-eo-en — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с эсперанто на английский и подходит для перевода отдельных фраз и текстов в приложениях, использующих Transformers. Модель построена на архитектуре Transformer-align, содержит 55,5 млн параметров и использует нормализацию текста и SentencePiece; максимальный контекст — 512 токенов. В README приведён результат 54,8 BLEU на тесте Tatoeba.eo.en. Модель распространяется по лицензии Apache-2.0; в метаданных указаны форматы PyTorch и TensorFlow. Она предназначена для направления эсперанто—английский, поэтому качество перевода в другие языковые пары не заявлено.

Модель adittamavincent/pgabl-legal-rag-assistant-grpo — дообученная разговорная Qwen2 для генерации текста в сценариях юридического RAG-ассистента. Разработчик — adittamavincent; модель дообучена на adittamavincent/pgabl-legal-rag-assistant с использованием Unsloth и библиотеки TRL. Она содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов в юридических системах с поиском по документам; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает обучающие данные, точность, юрисдикции или конкретные юридические задачи, поэтому качество ответов и применимость к отдельным правовым системам по ней оценить нельзя. Лицензия — Apache-2.0.

PropagandaDetection — модель классификации текста на базе Transformer-архитектуры DistilBERT, представленная IDA-SERICS. Она дообучена на обучающей выборке SemEval 2023 Task 3 для выявления пропаганды в тексте. Модель принимает текст и выдаёт результат классификации; контекст составляет до 512 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для автоматического анализа текстов на предмет пропагандистского содержания, например для разметки материалов или поддержки исследовательского анализа. В метаданных указан английский язык. Условия лицензирования в доступных сведениях не описаны.

Qwen3.6-35B-A3B-DFlash — черновая модель для спекулятивного декодирования, совместно переобученная Z-Lab и Modal на базе Qwen/Qwen3.6-35B-A3B. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере инференса с поддержкой DFlash, чтобы ускорить генерацию текста. Лёгкая черновая модель на основе блочной диффузии параллельно предлагает несколько токенов, а целевая модель проверяет предложения, сохраняя своё распределение выходов. Модель обучена с длиной последовательности 40 тысяч токенов и скользящим окном внимания. В метаданных указан размер 798 млн параметров и нативный контекст 262 144 токена; файлы представлены в формате safetensors. В тестах авторов на одной NVIDIA B200 ускорение достигало 3,61 раза при конкурентности 1 и 2,89 раза при конкурентности 32, на наборах задач GSM8K, MATH500, HumanEval, MBPP и MT-Bench. Модель предназначена для ускорения серверной генерации с базовой Qwen3.6-35B-A3B, в том числе при решении математических задач, генерации кода и диалогах. Она требует совместимого сервера спекулятивного декодирования и целевой модели. Лицензия — Apache-2.0.