I.14Автоматизация процессов и AI-агенты

HuggingJin выпустил контрольную точку третьего цикла OEL + ReSAIL на базе Qwen/Qwen3-4B, дообученную для TextCraft. Модель с плотной архитектурой Qwen3 содержит 3,7 млрд параметров и принимает текст, выдавая текст; доступны чат-интерфейс и интерфейс вызова инструментов. Максимальная длина контекста — 40 960 токенов. Модель предназначена для выполнения задач TextCraft в формате языкового агента. В README приведён средний результат 64,0% на официальном тесте TextCraft по трём случайным seed декодирования; это не оценка вариативности между независимыми запусками обучения. В этих экспериментах режим рассуждений был отключён. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Qwen3-VL-4B-SAMTok Composite — самодостаточная составная модель с кодом для Transformers, объединяющая Qwen3-VL и декодер масок SAMTok VQ-SAM2. Репозиторий содержит веса Qwen3-VL, декодер SAMTok и контрольную точку энкодера изображений SAM2.1 Hiera Large; заявленная архитектура — составная SAMTokCompositeModel, а формат весов — safetensors. Модель предназначена для диалоговой работы с изображениями и задач зрения; README указывает, что она принимает обычные вызовы Qwen3-VL. Метаданные классифицируют её как image-text-to-text и отмечают поддержку чата и зрения. Лицензия и поддерживаемые языки не приведены в доступных сведениях, поэтому их нельзя уточнить.

Это компактная плотная языковая модель на архитектуре Llama, созданная дообучением всех параметров HuggingFaceTB/SmolLM2-360M-Instruct. Модель разработана для узкой подзадачи агента-разработчика: преобразовывать нечеткое упоминание пути к файлу в канонический путь репозитория либо воздерживаться от ответа. Модель рассчитана на работу внутри проверяемой программной оболочки, которая формирует специализированный запрос, разбирает строгий JSON, при необходимости повторяет запрос с уточнением схемы и применяет детерминированные проверки и резервные правила. Она не предназначена для общего программирования или свободного диалога. В карточке сообщается о тестировании на отложенных репозиториях HTTPX и Jinja2: успешность после одной попытки с повтором по схеме составила 70%, корректность JSON с первой попытки — 100%. Объем модели — 361,8 млн параметров, контекст — до 8192 токенов; модель принимает и генерирует текст. Модель обучена с полным обновлением параметров на 2000 примерах, размеченных детерминированными оракулами; обучение проводилось три эпохи. Доступна под лицензией Apache-2.0. Модель узкоспециализирована на одной фиксированной JSON-схеме, поэтому её широкие способности следования инструкциям ограничены.

Stanford de-identifier — модель Stanford AIMI для автоматического удаления персональных идентификаторов из радиологических и биомедицинских документов. Она предназначена для распознавания чувствительных фрагментов текста и их разметки по токенам, чтобы подготовить медицинские записи к обезличиванию. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и принимает контекст длиной до 512 токенов. Она обучена на радиологических и биомедицинских документах; карточка называет эти веса рекомендуемыми среди доступных вариантов и указывает на целевую пригодность для производственного применения. Поддерживается английский язык. Модель распространяется под лицензией MIT. Карточка не приводит численных оценок качества или подробностей о схеме разметки, поэтому перед использованием в клинических или иных чувствительных процессах следует оценить полноту обнаружения идентификаторов на целевых данных.

lmqg/t5-base-squad-qg — англоязычная модель генерации вопросов, разработанная сообществом lmqg на основе T5-base. Она дообучена на наборе lmqg/qg_squad и предназначена для создания вопросов по исходному тексту и указанному ответу, например при подготовке обучающих материалов или систем вопросов и ответов. В карточке приведены оценки генерации вопросов и связанной с ней генерации ответов на тестах SQuAD и вне домена.

mateiaassAI/teacher_sst2 — дообученная для классификации текста модель на базе румынского BERT dumitrescustefan/bert-base-romanian-cased-v1. Она использует архитектуру BERT с классификационной головой; размер составляет 151,6 млн параметров, контекст — до 512 токенов. Модель предназначена для отнесения текстов к классам, однако README не раскрывает набор меток и конкретный сценарий классификации. В карточке указаны результаты оценки: F1 0,8648, ROC AUC 0,8646 и точность 0,8635. Данные обучения не названы, поэтому эти показатели не позволяют судить о качестве на конкретной прикладной задаче. Модель распространяется под лицензией MIT.

AI Detect Model — англоязычный классификатор от wangkevin02 на архитектуре Longformer, дообученной на наборе LMSYS-USP. Он относит текст к одному из двух классов: сгенерированный ИИ (метка 1) или написанный человеком (метка 0). В диалоговом контексте ответы ассистента размечались как сгенерированные ИИ, а сообщения пользователей — как написанные человеком. Модель предназначена для классификации текста и может использоваться для оценки происхождения реплик в диалогах, в том числе как сигнал вознаграждения для предотвращения reward hacking при обучении RLCC. Это Longformer с 151,8 млн параметров и контекстом до 4098 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Модель оптимизирована для английского языка. Результаты на других языках могут быть нестабильными, а качество классификации может снижаться для входов длиннее 4096 токенов.

Aurora-Coder-Base — специализированный на программном коде чекпойнт, который, согласно README, дообучен на дедуплицированном многоязычном корпусе. Он предназначен для дополнения кода на уровне репозитория и использования агентами с инструментами. Метаданные указывают архитектуру BERT с классом BertModel, библиотеку Transformers и формат PyTorch; задача в карточке Hugging Face — извлечение признаков. README заявляет хорошие результаты в рассуждениях и генерации, но приведённая таблица содержит лишь часть тестов и не описывает методику оценки. Рекомендуемая температура генерации — 0,6. Модель распространяется по лицензии MIT. Длина контекста, число параметров и поддерживаемые языки в доступных данных не приведены.

AutoCompressor-Llama-2-7b-6k — языковая модель Princeton NLP, полученная дообучением meta-llama/Llama-2-7b-hf методом AutoCompressor из работы Adapting Language Models to Compress Contexts. Модель предназначена для сжатия длинного текстового контекста: сегменты текста кодируются в 50 векторов-сводок, которые затем используются как накопленное контекстное представление. Модель семейства Llama имеет 6,6 млрд параметров и рассчитана на последовательности до 6 144 токенов при обучении; метаданные указывают нативный контекст 4 096 токенов. Дообучение проводилось на 15 млрд токенов набора RedPajama. В README приведены результаты оценки perplexity при использовании сжатого контекста, а также описаны испытания на задачах in-context learning. Модель подходит для экспериментов и систем, которым нужно передавать большой текстовый контекст в компактном виде. Это не обычная чат-модель: карточка описывает сжатие контекста и оценки языкового моделирования, но не заявляет интерфейс диалога или генерацию краткого текста для пользователя. Лицензия — Apache-2.0.

Модель hw2942/bert-base-chinese-finetuning-financial-news-sentiment-v2 — китайская модель классификации тональности финансовых новостей на основе BERT, разработанная автором репозитория. Она дообучена на bert-base-chinese с использованием данных hw2942/financial-news-sentiment: 2000 примеров для обучения и 329 для проверки. Модель содержит 129,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для определения тональности финансовых новостей на китайском языке и может применяться для автоматической разметки новостных потоков и анализа финансовых публикаций. Доступны веса PyTorch. Сведения о лицензии и ограничениях применения в предоставленных источниках отсутствуют.

Hygroskopisch/bge-m3-ifc-kbob-finetuned — дообученная компанией или автором Hygroskopisch модель BAAI/bge-m3 для поиска соответствий между метаданными элементов IFC и названиями материалов в каталогах типа KBOB. Она предназначена для поиска строительных материалов в рабочих процессах LCA и формирования списка кандидатов для последующей проверки человеком. Модель построена на XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в эмбеддинги размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 128 токенов, а в метаданных — контекст 8194 токена. Поддерживаются немецкий и английский языки; базовая BGE-M3 также является многоязычной. В тесте на 389 запросах Hit@1 составил 97,43% для обычных запросов, 88,43% для запросов с опечатками и 75,32% при пропуске атрибута. Результаты чувствительны к полноте атрибутов IFC: пропуск значений ухудшает ранжирование сильнее, чем опечатки, поэтому для важных назначений следует проверять несколько кандидатов и подтверждать выбор специалистом. Модель не предназначена для самостоятельных юридических, закупочных или критичных для безопасности решений и не заменяет экологические декларации. Лицензия — MIT.

Naiscorp/car-damage-maskrcnn-r101-dc5 — модель сегментации экземпляров повреждений автомобилей на фотографиях, предназначенная для страховых осмотров, проверки арендованных машин и оценки автомобилей перед продажей. Для каждой найденной области она выдаёт пиксельную маску, ограничивающую рамку, класс повреждения и оценку уверенности. Модель разработана на архитектуре Mask R-CNN с backbone ResNet-101 Dilated-C5: используется один feature map с шагом 16 и 2048 каналами, а нормализация FrozenBatchNorm применяется на всех этапах. Модель размечает семь типов физических повреждений. Она обучена на внутреннем наборе фотографий, собранном во Вьетнаме; набор данных не опубликован. Выпущенный чекпойнт содержит 59 999 итераций из запланированных 270 000 и описан как промежуточный, хотя именно он использовался в производстве. На тестовом наборе из 417 изображений указаны AP50 19,64 и AP50–95 11,09; эти показатели следует учитывать при оценке пригодности для конкретного сценария. Для запуска предусмотрена библиотека cardamage, а настройки обработки изображений и порог уверенности 0,7 задаются в конфигурации. Лицензия указана как other, поэтому условия повторного использования следует проверять в репозитории модели.

DeepSeek-ViT — пакет весов визуальной башни DeepSeek-V4.1-Flash и двухслойного MLP-проектора, подготовленный Immanuel Peter на основе чекпойнта DeepSeek. Модель предназначена для извлечения признаков из изображений и передачи визуальных представлений в мультимодальные системы. Визуальная башня DeepSeekV41ViT содержит 32 слоя, скрытый размер 1024, 16 голов внимания и промежуточный размер 2816; используются патчи размером 14 и 2D-RoPE. Перед проектором выполняется сжатие токенов через pixel-unshuffle с дополнением. Веса сохранены в формате BF16 внутри файлов Safetensors. Репозиторий не содержит файлов моделирования Transformers или конфигурации препроцессора, поэтому AutoModel.from_pretrained не загружает его; для извлечения признаков README указывает пример inference.py. Модель подходит для получения визуальных признаков в составе мультимодальных конвейеров. Лицензия — MIT. README сообщает, что веса башни и проектора сверены с родительским чекпойнтом побитовым сравнением.

Detect-Acoso-Twitter-Es — модель классификации испаноязычных публикаций в Twitter для выявления травли. Её создала команда участников хакатона SomosNLP 2022; модель дообучена на наборе hackathon-pln-es/Dataset-Acoso-Twitter-Es на основе mrm8488/distilroberta-finetuned-tweets-hate-speech. Модель использует архитектуру RoBERTa и содержит 95,2 млн параметров. Она принимает текст и выдаёт результат классификации; максимальная длина контекста — 514 токенов. В карточке приведены результаты на тестовой выборке: accuracy 0,9167 и loss 0,1628. Модель распространяется по лицензии Apache-2.0.

microsoft/DialogRPT-human-vs-machine — модель классификации последовательностей на базе GPT-2, опубликованная группой Microsoft Research NLP. Она оценивает, насколько вероятно, что ответ в диалоге написан человеком, а не машиной; оценку можно использовать для анализа ответов и выбора кандидатов, сгенерированных диалоговой моделью. Семейство DialogRPT обучалось предсказывать реакцию людей на ответы в диалогах по более чем 100 млн примеров обратной связи. Модель принимает текст контекста и ответа и выдаёт оценку human_vs_machine. Максимальная длина контекста — 1024 токена; формат весов — PyTorch. Лицензия в предоставленных данных не указана.

FastVLM-GGUF — это GGUF-представление модели Apple FastVLM-0.5B, подготовленное для запуска через gguf-connector. Модель разработана Apple и предназначена для взаимодействия с визуально-языковыми данными: она может использоваться для описания изображений, ответов на запросы по изображениям, а также для анализа содержимого экрана и создания субтитров в реальном времени в соответствующем режиме connector f7. Режим f9 поддерживает передачу текстового запроса вместе с изображением. В репозитории доступны варианты fastvlm-0.5b-iq4_nl.gguf, fastvlm-0.5b-q4_0.gguf и fastvlm-0.5b-q8_0.gguf, различающиеся способом квантования. Базовый размер модели — 0,5 млрд параметров. Точные архитектура, поддерживаемые языки и размер контекста в README не указаны. Для запуска требуется gguf-connector; конкретные команды и режимы работы зависят от выбранного connector и файла GGUF. К сильным сторонам относятся компактный размер, наличие нескольких уровней квантования и сценарии работы с изображениями и экраном. Ограничениями являются необходимость специализированного connector, зависимость возможностей от выбранного режима и отсутствие в README подробных данных о производительности, языках и контекстном окне. Модель распространяется по лицензии Apple AMLR.

RashidNLP разработал модель классификации финансовой тональности на базе DeBERTa. Автор сообщает, что исходную модель обучали на более чем миллионе отзывов Amazon, а затем дообучили на четырёх финансовых наборах данных с метками тональности: Financial PhraseBank, Kaggle Financial Sentiment, Twitter Financial News Sentiment и Auditor Sentiment. Модель предназначена для определения тональности финансовых фраз, новостей, публикаций и аудиторских комментариев. Это модель DeBERTa-v2 с 211,6 млн параметров, принимающая текст с контекстом до 512 токенов и выдающая метку класса. Поддерживаемый язык — английский. Модель распространяется по лицензии MIT.

Financial RoBERTa-Large Macro Sentiment — англоязычная модель классификации тональности, разработанная на основе soleimanian/financial-roberta-large-sentiment и предназначенная для финансовых, макроэкономических и климатических текстов. Это дообученная RoBERTa-Large с классификационной головой на три класса: отрицательная, нейтральная и положительная тональность. Модель содержит 454,1 млн параметров по метаданным и принимает последовательности длиной до 514 токенов по нативному контексту; при дообучении использовалось усечение до 128 токенов. Модель подходит для анализа сообщений центральных банков, денежно-кредитной политики, инфляции, финансовых новостей и текстов ESG. В README заявлены результаты 91,3% точности и 90,2% macro-F1 на тестовом наборе и 94,1% точности на финансовых текстах PhraseBank вне обучающей выборки. Она может применяться отдельно или как макроэкономический компонент ансамбля с тематической маршрутизацией. Ограничения: модель обучена для английского языка, обрабатывает каждый текст независимо и не учитывает временной или сущностный контекст. Длинные документы следует разбивать на фрагменты; по README, повышенные требования к памяти и задержка делают её менее подходящей для устройств с ограниченными ресурсами. Лицензия — Apache-2.0.

Карточка модели WebUser2/financial-roberta-large-sentiment на Hugging Face совпадает с карточкой soleimanian/financial-roberta-large-sentiment, поэтому описание составлено по ней. 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.

Модель NIHRDataInsights/HRCSHealthCategories разработана Национальным институтом исследований в области здравоохранения и ухода Великобритании (NIHR) для автоматического присвоения исследовательским грантам категорий здоровья HRCS. Это многометочный классификатор на основе крупного BiomedBERT: энкодер предварительно адаптирован к языку заявок на медицинские гранты, затем дообучен на размеченных данных нескольких фондов. На вход подаются название и аннотация гранта, а на выходе — вероятности для категорий HRCS. Максимальная длина входа составляет 512 токенов. Модель предназначена для анализа портфелей финансирования, массовой разметки наборов грантов, изучения ландшафта биомедицинских исследований и помощи в рабочих процессах кодирования HRCS. В описанной оценке достигнуты micro-F1 0,81 и macro-F1 0,75. Результаты зависят от сходства данных с обучающим корпусом: редкие и неоднозначные категории распознаются хуже, длинные аннотации обрезаются, а пороги вероятностей, настроенные на исходный набор данных, могут требовать повторной калибровки. Обучающие данные охватывают период до 2022 года; авторы рекомендуют учитывать временное смещение при оценке на более новых грантах. Модель служит поддержкой экспертной разметки, а не её полной заменой. Лицензия — MIT.

Модель National Institute for Health and Care Research (NIHR) присваивает кодам исследовательской деятельности HRCS один или несколько классов по названию и аннотации исследовательского гранта. Это многометочный классификатор на базе BiomedBERT-large: энкодер дообучен на текстах заявок и затем настроен на размеченных данных HRCS от нескольких фондов. Для каждого кода модель выдаёт вероятность; длина входа ограничена 512 токенами, длинный текст обрезается. Модель предназначена для анализа портфелей финансирования, массовой разметки грантов и изучения направлений биомедицинских исследований, а также для поддержки рабочего процесса кодирования HRCS. На тестовых данных микро-F1 составил 0,60 для отдельных кодов и 0,71 для агрегированных групп кодов. Результаты зависят от сходства новых данных с обучающей выборкой; редкие и неоднозначные категории распознаются хуже, а пороги вероятностей могут требовать перенастройки. Модель поддерживает экспертную проверку, но не предназначена для её полной замены. Распространяется по лицензии MIT.

humor-no-humor — модель классификации текста, дообученная разработчиком на базе distilbert-base-uncased для определения, содержит ли текст юмор. Она принимает текст и относит его к классу «шутка» или «не шутка»; модель предназначена для автоматической фильтрации и анализа коротких текстов. Архитектура — DistilBERT для классификации последовательностей, контекст ограничен 512 токенами. В README для оценки на тестовой выборке указаны F1 0,9537 и loss 0,1269. Модель опубликована под лицензией Apache-2.0. Подробности о составе обучающего датасета и ограничениях в карточке не раскрыты; метрика относится только к описанной оценочной выборке и сама по себе не гарантирует качество на других типах текста.

Модель cds1/icdu_dpo_qwen3.5_9b_v2 разработана Overture System Solutions на базе Qwen/Qwen3.5-9B. Это текстовая причинная языковая модель, дообученная в два этапа: сначала на инструкциях и материалах по коучингу, затем методом DPO на примерах выбора инструментов. Адаптеры объединены с базовыми весами, после чего модель преобразована в GGUF и квантована до Q4_K_M для запуска в llama.cpp. Модель предназначена для диалоговых ответов на английском языке по темам повседневной жизни и работы, а также для задач, где требуется выбрать подходящий инструмент. В репозитории указаны 9 млрд параметров, контекст до 262 144 токенов и архитектура Qwen3.5 с чередованием слоёв линейного и полного внимания. Размер файла GGUF — около 5,24 ГиБ; фактическое потребление памяти также зависит от KV-кэша и длины контекста. Квантование уменьшает требования к памяти и позволяет запускать модель на совместимом CPU или GPU, но может снижать точность относительно исходных весов. Карточка описывает обучение выбора инструментов, однако не приводит независимых оценок качества. Лицензия — Apache-2.0.

RadixArk/Inkling-DSpark-Preview — предварительный черновой чекпойнт для ускорения генерации текста методом speculative decoding с целевой моделью Inkling NVFP4. Он разработан для запуска через SGLang и построен на параллельной черновой архитектуре DFlash/DSpark: пять Qwen3-стильных слоёв с GQA, блоком из семи токенов, Markov logit-bias головой и головой оценки уверенности. В файле safetensors заявлено 1,93 млрд обучаемых параметров, а метаданные указывают размер архитектуры 2,8 млрд параметров. Модель предназначена для совместной работы с точным соответствующим чекпойнтом Inkling NVFP4 и его токенизатором; веса целевых embedding и unembedding в этом репозитории отсутствуют. Хотя в метаданных указан контекст 1 048 576 токенов, обучение чекпойнта описано для последовательностей длиной 4096 токенов. Приведённые результаты оценки показывают длину принятого фрагмента при температуре 0 на GSM8K, MATH500 и HumanEval. Это preview-версия: обучение и оценка продолжаются. Лицензия в предоставленных данных не указана.

LLaMA3.1-8B-Instruct-DFlash-UltraChat — черновая модель для метода ускоренного спекулятивного декодирования DFlash. Она использует лёгкую диффузионную модель с блочной генерацией, чтобы параллельно предлагать продолжения целевой модели; для работы её необходимо использовать вместе с meta-llama/Llama-3.1-8B-Instruct. Модель разработана z-lab и обучена на UltraChat-200K и ShareGPT с ответами, заново сгенерированными базовой моделью. В метаданных указаны архитектура DFlashDraftModel семейства Qwen3, 1,5 млрд параметров, формат safetensors и контекст до 40 960 токенов. Модель предназначена для ускорения генерации текста при инференсе, а не для самостоятельного диалога. README сообщает о сравнении с EAGLE-3 на GSM8K, HumanEval и Alpaca в SGLang на GPU B200, но приведённых данных недостаточно, чтобы подтвердить заявленное преимущество во всех сценариях. Лицензия — MIT.

Карточка модели fushh7/llmdet_swin_base_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.

MLX-RVC Serena e70 — контрольная точка конвертации голоса RVC v2 для запуска в AI2Apps на MLX. Модель преобразует входную речь в синтетический голос Serena; голос обучен на корпусе, созданном пресетом Serena для Qwen3-TTS, и не заявлен как голос реального человека. В состав входят чекпойнт эпохи 70, соответствующий индекс retrieval, общие компоненты ContentVec и RMVPE, а также преобразованная инициализация генератора и дискриминатора RVC v2 с частотой 48 кГц. Файлы представлены в safetensors и JSON; для выполнения модели не требуются Torch, torchaudio, FAISS или pickle. Реализация основана на RVC, а выбранный вариант эпохи 70 определён сравнением при прослушивании. Модель предназначена для конвертации предоставленной пользователем речи в целевой синтетический голос и для использования как встроенный функциональный голос в AI2Apps. Лицензия репозитория — MIT. Пользователь должен иметь разрешение на обработку исходного аудио.

ModernFinBERT — англоязычная модель классификации тональности финансовых текстов, разработанная Tabularis AI на основе ModernBERT и дообученная на синтетических и реальных финансовых данных, прошедших автоматизированную очистку. Она предназначена для определения тональности новостей, публикаций в соцсетях, криптовалютных и макроэкономических текстов. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты оценки на нескольких финансовых наборах данных: средняя точность составляет 0,75, а средний ROC-AUC — 0,91; показатели различаются в зависимости от набора данных и метрики. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют аналогичного качества на других данных, а модель предназначена для англоязычных текстов.

ModernFinBERT — англоязычная модель классификации финансовых текстов, созданная Vincent Drenth дообучением answerdotai/ModernBERT-base на наборе financial_phrasebank. Она предназначена для определения тональности финансовых высказываний и может применяться для анализа новостей, отчетов и рыночных комментариев. Модель построена на архитектуре ModernBERT с головой классификации последовательностей, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README указаны точность 0,867 и loss 0,6635 на оценочном наборе. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Показатели относятся к указанному оценочному набору и сами по себе не гарантируют качество на других финансовых текстах.

Nawah-RuleCheck-1M — компактный арабский классификатор правил, разработанный oddadmix. Он принимает арабский текст и сформулированное на обычном языке правило, после чего определяет, соответствует ли текст правилу: «مطابق» или «مخالف». Модель предназначена для проверки простых правил, которые можно установить непосредственно по строке, например наличия числа или отсутствия адреса электронной почты. Это дообученная модель семейства Llama с архитектурой LlamaForSequenceClassification: 1,1 млн параметров, 4 слоя, размер скрытого состояния 32 и контекст до 2048 токенов. Она обучена на 159 240 парах «текст, правило» из арабского датасета; тесты охватывают короткие деловые тексты и 19 правил. Веса занимают около 4,30 МБ, формат — safetensors. Лицензия — Apache-2.0. Модель показывает высокие результаты на формулировках правил, похожих на обучающие, но хуже переносит самостоятельно написанные разговорные формулировки. Она не предназначена для правил, требующих знаний о мире, субъективных суждений или многошагового вывода; подсчёт слов также остаётся слабым типом правил. Проверка на длинных и существенно отличающихся текстах не описана.