I.14Автоматизация процессов и AI-агенты

Helsinki-NLP/opus-mt-bat-en — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP на основе проекта Tatoeba-Challenge. Это трансформер Marian с 55,4 млн параметров, обученный переводить с балтийских языков на английский. Источники включают литовский, латышский, жемайтский, латгальский и древнепрусский; целевой язык — английский. Для обработки текста используются нормализация и SentencePiece с моделями токенизации по 32 тыс. элементов. Модель принимает текст и генерирует текст перевода; нативный контекст — 512 токенов. Подходит для перевода текстов с поддерживаемых балтийских языков на английский, в том числе новостных материалов. В README приведены результаты оценки на наборах новостных текстов, однако качество может различаться между языками и тематиками. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bem-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка бемба (bem) на испанский (es) и основана на архитектуре MarianMT с Transformer-align. Модель обучена на данных OPUS; перед переводом применяются нормализация и токенизация SentencePiece. Веса содержат 56,4 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий включает форматы PyTorch и TensorFlow. В опубликованном README для тестового набора JW300.bem.es приведены оценки BLEU 22,8 и chr-F 0,403. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-fi-it — модель машинного перевода с финского языка на итальянский. Она построена на архитектуре MarianMT, использует Transformer и предобработку с нормализацией и SentencePiece. Модель обучена на данных OPUS и содержит около 55,8 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для перевода предложений и текстовых фрагментов с финского на итальянский. В README приведён результат BLEU 42,7 на тестовом наборе Tatoeba.fi.it. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

OWLv2-large-patch14 — модель обнаружения объектов с открытым словарём, разработанная авторами работы «Scaling Open-Vocabulary Object Detection». Она принимает изображение и одну или несколько текстовых подсказок с названиями объектов, после чего находит соответствующие объекты и предсказывает их рамки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-L/14 и текстовым Transformer-энкодером; к визуальным признакам добавлены лёгкие головы классификации и предсказания рамок. Модель подходит для поиска объектов по произвольным текстовым запросам, в том числе для классов, которые не были заданы фиксированным набором меток. Её можно применять для исследовательской оценки обобщения и устойчивости компьютерного зрения, а также для обнаружения объектов на изображениях по описаниям. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Качество зависит от формулировки текстовых запросов и распределения данных; документация отмечает возможные смещения из-за состава обучающих данных, значительная часть которых собрана из интернета. Модель предназначена прежде всего для исследований компьютерного зрения.

Карточка модели amd/PARD2-Llama-3.1-8B на Hugging Face совпадает с карточкой amd/PARD2-Qwen3-8B, поэтому описание составлено по ней. amd/PARD2-Qwen3-8B — черновая модель семейства Qwen3, разработанная AMD для ускорения генерации текста методом спекулятивного декодирования. Она формирует несколько токенов-кандидатов для проверки целевой авторегрессионной моделью и поддерживает два режима: независимый от целевой модели и учитывающий её. Обучение ориентировано на увеличение длины последовательности токенов, принимаемых целевой моделью, а Confidence-Adaptive Token (CAT) оптимизация перераспределяет вес токенов с учётом их вклада в проверку. Модель предназначена для интеграции в конвейеры спекулятивного декодирования, в том числе с vLLM. В README заявлено ускорение без потери точности до 6,94 раза на разных моделях и задачах; этот результат зависит от целевой модели, нагрузки и настроек инференса. По метаданным модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — MIT.

Qwen3.6-35B-A3B-DFlash-GGUF — это набор весов в формате GGUF, подготовленный abhinand на основе модели z-lab/Qwen3.6-35B-A3B-DFlash. Модель предназначена не для самостоятельной генерации текста, а для speculative decoding: она выступает облегчённой draft-моделью и должна работать совместно с основной Qwen/Qwen3.6-35B-A3B. Метод DFlash использует блочную диффузионную модель, которая параллельно предлагает несколько токенов, чтобы ускорить авторегрессионную генерацию. Модель применяется для ускорения инференса языковой модели Qwen3.6-35B-A3B в задачах рассуждений, генерации и объяснения кода, математических задачах, диалогах и других сценариях текстовой генерации. В README указано семейство 35B-A3B, однако отдельные параметры архитектуры, размер контекста и поддерживаемые языки не приведены. Для работы требуются совместимые версии vLLM или SGLang и специальная поддержка DFlash; также упоминается возможность настройки размера окна для длинного контекста и агентских нагрузок. Заявленное преимущество — ускорение генерации до 2,9 раза при одной параллельной сессии и примерно до 1,4–2,5 раза при более высокой конкуренции в зависимости от задачи и конфигурации. Ограничения состоят в необходимости использовать совместимую основную модель, специализированный runtime и аппаратные ресурсы; приведённые результаты получены на одной NVIDIA B200 и могут не воспроизводиться в других условиях. Репозиторий распространяется по лицензии MIT.

Jonas Loos разработал эту черновую модель DFlash 2 для Qwen3.8-27B: она дообучена на базе z-lab/Qwen3.8-27B-DFlash2 и предназначена для спекулятивного декодирования. Модель предлагает блоки до 32 следующих токенов, после чего целевая Qwen3.8-27B проверяет эти предложения. Она не является самостоятельной языковой моделью и должна использоваться вместе с совместимой целевой моделью и сервером генерации. Дообучение проводилось на ответах Qwen3.8-27B в режиме thinking для публичных запросов по общению, математике и программированию. По результатам автора, по сравнению с исходной черновой головой точность предложений на позициях 9–31 выросла примерно на 25%; на тестах GSM8K, диалогах в режиме thinking и HumanEval увеличилось число принимаемых токенов за проход. Проверена работа в MLX-движке qwen-spec на Apple Silicon; совместимость с SGLang и vLLM заявлена, но не проверена автором. Репозиторий содержит веса Safetensors, заявленный размер модели — 2,9 млрд параметров, контекст — до 262 144 токенов. Лицензия — Apache-2.0.

Randeng-Pegasus-523M-Chinese — китайская модель семейства PEGASUS от команды Fengshenbang, разработанная IDEA-CCNL для абстрактивного суммирования текста. Модель обучена по схеме PEGASUS на корпусе WuDao объёмом 180 ГБ; для обработки китайского текста используются Jieba и токенизатор BERT. Архитектура — плотный энкодер-декодер PegasusForConditionalGeneration; в метаданных указано 319,6 млн параметров и контекст до 1024 токенов. Модель подходит для создания кратких пересказов китайских текстов. В README также упоминаются базовая версия на 238 млн параметров и отдельный вариант, дообученный на китайских наборах данных для суммирования. Указанный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

RoBERTa-base AI Text Detector — англоязычная модель классификации текста, созданная Fakespot AI Labs дообучением FacebookAI/roberta-base. Она оценивает, вероятно ли, что входной текст написан искусственным интеллектом или человеком; оценка отражает вероятность класса для всего текста, а не долю текста, созданную ИИ. Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и доступна в форматах PyTorch и Safetensors для Transformers. Модель подходит для предварительной проверки англоязычных текстов в модерации, аналитике контента и исследовании происхождения текстов. Точность обычно повышается на более длинных входах, поэтому короткие фрагменты могут оцениваться менее надёжно; результат следует трактовать как оценку, а не доказательство авторства. Лицензия — Apache-2.0.

domenicrosati/SPECTER-with-biblio-context-finetuned-review_classifier — модель классификации текста, дообученная автором на базе allenai/specter для классификации научных рецензий. В метаданных указаны архитектура на основе BERT с контекстным энкодером и 137,1 млн параметров; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка приводит результаты оценки: accuracy 0,962, F1 0,7892, recall 0,7593 и precision 0,8216. Назначение классификатора связано с научными рецензиями, однако описание меток классов, обучающего набора данных и ограничений не приведено. Лицензия — Apache-2.0.

SZL-Forge-1.5B-ReceiptAgent — диалоговая языковая модель компании SZL Holdings, дообученная методом QLoRA на базе Qwen/Qwen2.5-1.5B-Instruct. Это модель-генератор текста на архитектуре Qwen2.5 с размером 1,5 млрд параметров; она принимает запросы в текстовом виде и предназначена для выдачи черновиков решений в виде JSON с привязкой к предоставленным свидетельствам и обязательным подтверждением человека. Встроенный сценарий ограничивает её предложением решения: она не должна завершать или исполнять действия и заявляет об отказе при запросах выйти за эти рамки. Модель рассчитана на работу внутри контроллера, например Alloy, который проверяет аргументы черновика, запрашивает одобрение человека и выполняет действия за пределами модели. В карточке сообщается о 100% соответствии схеме на 5 тестовых примерах и 100% отказов на 6 проверках; эти результаты представлены владельцем модели, а не независимой оценкой, и выборка мала. Модель не является источником достоверных чисел и не предназначена для автономного исполнения решений. Лицензия — Apache-2.0.

google/tapas-small-finetuned-tabfact — компактная модель TAPAS от Google, основанная на BERT-подобном трансформере для работы с таблицами и связанным текстом. Модель содержит 32,4 млн параметров, использует архитектуру TapasForSequenceClassification и рассчитана на входы длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель дообучена на TabFact для проверки утверждений по содержимому таблиц: она классифицирует, подтверждается ли предложение данными таблицы или опровергается ими. Английский текст и таблица подаются совместно; предобучение включало маскирование токенов и промежуточное обучение на синтетических примерах числового рассуждения. Лицензия — Apache-2.0. Подходит для проверки фактов в табличных данных и может служить основой для сценариев анализа таблиц. Карточка описывает назначение как классификацию «подтверждается/опровергается»; результаты за пределами этого сценария и для языков, кроме английского, не охарактеризованы.

ToxicLord v1 — русскоязычная модель классификации токсичности, разработанная на основе deepvk/deberta-v1-base и настроенная для модерации Telegram-чатов. Она относит короткие сообщения к классам «clean» и «toxic» и может помогать выявлять токсичные сообщения в потоке чата. Модель построена на DeBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 512 токенов. Для принятия решения можно использовать вероятность токсичного класса и настраивать порог под конкретное сообщество. Модель дообучена на смеси публичных русскоязычных датасетов токсичности и приватных модерационных разметок и исправлений. ToxicLord может ошибаться на сарказме, цитатах, шутках и мета-комментариях, а также на коротких оскорблениях без контекста. Она может хуже работать на формальных и длинных текстах и на других языках; её не следует использовать как единственное основание для необратимых наказаний. Лицензия — CC BY-NC-ND 4.0.

WindyTranslate/translate-efi-sv — модель машинного перевода от Windstorm Labs для перевода с эфикского языка (efi) на шведский (sv). Она основана на Helsinki-NLP/opus-mt-efi-sv: к исходным весам применён LoRA-файнтюнинг на параллельном корпусе, после чего адаптер объединён с базовой моделью. Архитектура — MarianMT; модель содержит 55,4 млн параметров, принимает текст и выдаёт перевод. Нативный контекст — до 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества; подтверждение изменения весов описывает происхождение модели, но не свидетельствует о качестве перевода. Поддерживается только направление efi→sv.

Bark — трансформерная модель преобразования текста в аудио, разработанная Suno. Репозиторий содержит крупный из двух опубликованных вариантов Bark и предназначен для генерации речи и других аудиосигналов. Модель строит аудио в несколько этапов: преобразует текст в семантические токены, затем в токены кодека EnCodec и далее формирует аудио. Она поддерживает многоязычную речь, а также может генерировать музыку, фоновые шумы, простые звуковые эффекты и невербальные звуки, например смех, вздохи и плач. В карточке перечислены английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Модель доступна для инференса через Transformers и оригинальную библиотеку Bark. Выход не фильтруется; авторы предупреждают о возможном злоупотреблении, включая несанкционированное использование для имитации голоса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей. Авторы позиционируют модель для исследовательских целей.

Модель dannashao/bert-base-uncased-finetuned-advanced-srl_arg — дообученная версия BERT от Google для семантической разметки ролей (SRL) в английских предложениях. Она присваивает токенам метки, обозначающие их семантические роли относительно предиката. Для обозначения предиката в предложении перед ним нужно добавить специальный токен [V], который вместе с предикатом рассматривается как единый фрагмент. Модель построена на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Обучение проводилось на английском датасете Universal Proposition Bank v1.0. В README приведены результаты на тестовой выборке: F1 0,8669 и точность 0,9812. Модель распространяется по лицензии Apache-2.0.

Модель Hiyaw Ertiro — англоязычный классификатор заголовков новостей о Bitcoin, дообученный на базе ElKulako/cryptobert. Это RoBERTa-семейство для классификации последовательностей с примерно 151,8 млн параметров и контекстом до 514 токенов. Модель присваивает заголовку одну из трёх меток: Bearish, Neutral или Bullish; метки отражают вероятное направление влияния события на рынок, а не эмоциональную окраску текста. Модель предназначена для анализа новостного потока о Bitcoin и использования оценок тональности как признака в системах мониторинга рынка, агрегирования торговых сигналов и прогнозирования цен. По README, на независимой выборке из 72 заголовков она показала macro-F1 0,78 против 0,39 у базовой CryptoBERT без дообучения. Обучающие метки были сгенерированы языковой моделью по заданной рубрике, поэтому результаты следует рассматривать как слабую разметку, а не эталонную оценку. Распространяется по лицензии MIT. Модель может ошибаться на неоднозначных заголовках и при оценке влияния конкретных денежных сумм или финансовых действий компаний; автор рекомендует использовать её как один из сигналов, а не как самостоятельную основу для решений.

DetoxLLM-7B — модель для детоксикации текста, разработанная Md Tawkat Islam Khondaker, Muhammad Abdul-Mageed и Laks V.S. Lakshmanan. Она дообучена на основе LLaMA 2 с Chain-of-Thought-объяснениями и предназначена для преобразования токсичных высказываний в менее токсичные, сохраняя их смысл и предоставляя объяснения. Модель обучена на синтетическом псевдопараллельном корпусе для детоксикации, сформированном из данных разных платформ. Модель имеет архитектуру LLaMA, около 6,6 млрд параметров и контекст до 4096 токенов. Карточка указывает английский язык. Работа представлена на EMNLP 2024. Модель можно использовать как исследовательский базовый инструмент для очистки пользовательского текста и разработки систем модерации. Лицензия — Llama 2. Качество преобразования смысла может быть нестабильным: модель иногда теряет часть исходного смысла или поддается неявным состязательным токенам и генерирует токсичный текст. Обучающие данные созданы автоматически и могут содержать ошибки, поэтому результаты следует проверять человеком; карточка также рекомендует осторожность перед внедрением и оценку рисков предвзятости и неправомерного использования.

DRIVE-RL — языковая модель Tencent, разработанная командой Hunyuan для генерации решений задач соревновательного программирования. Модель построена на архитектуре Qwen2 и дообучена на базе tencent/DRIVE-SFT с помощью двухэтапного обучения с подкреплением и проверяемой наградой: первый этап повышает разнообразие ответов, второй сосредоточен на сложных задачах. По карточке Hugging Face, модель содержит 32 млрд параметров, использует Transformers и Safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации кода и рассуждений при решении задач с проверяемыми тестами; в карточке также заявлен интерфейс вызова инструментов. В README сообщается об улучшении результатов на сложных задачах, в том числе о росте Pass@1 на Codeforces OJ относительно SFT-базы. Оценки зависят от набора задач и условий тестирования. Лицензия в предоставленных данных не указана.

IDEA-CCNL разработала Erlangshen-Roberta-110M-NLI — китайскую модель RoBERTa-wwm-ext-base, дообученную для естественно-языкового вывода (NLI). Она классифицирует отношения между парами текстов, например определяет, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Модель предназначена для задач понимания китайского языка и проверки смысловых отношений в тексте. Модель содержит 129,5 млн параметров, использует архитектуру BERT и классификационную голову BertForSequenceClassification; максимальный контекст — 512 токенов. Дообучение проводилось на четырёх китайских наборах NLI, всего на 1 014 787 примерах. В README приведены результаты на CMNLI, OCNLI и SNLI. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Модель рассчитана на китайский язык и классификацию текстовых пар. Результаты на перечисленных наборах не гарантируют качество на других жанрах и предметных областях; её назначение не охватывает генерацию текста.

Pokzy разработал BLIP, дообученную на наборе Flickr8k для создания текстовых подписей к изображениям. Модель принимает изображение и генерирует описание на английском языке; она ориентирована на повседневные уличные сцены, людей, животных и спортивные занятия. Архитектура — BLIP с классом BlipForConditionalGeneration; модель распространяется в формате safetensors и используется с библиотекой Transformers. Модель подходит для автоматического создания кратких описаний изображений и демонстрационных приложений с генерацией подписей. В веб-демо подписи дополнительно переводятся на тайский с помощью отдельной модели NLLB-200; перевод не является функцией этого чекпойнта. Лицензия — Apache-2.0.

FunctionGemma 270M FT Mobile Actions — компактная дообученная модель семейства Gemma, разработанная Google на базе google/functiongemma-270m-it. Она предназначена для работы с мобильными действиями и готова к развёртыванию в приложении Google AI Edge Gallery. Модель рассчитана на локальное выполнение непосредственно на смартфоне, включая сценарии без подключения к интернету и с повышенными требованиями к приватности. Её небольшой размер — 270 млн параметров — делает её подходящей для on-device inference. В README указаны текстовая генерация и поддержка LiteRT-LM, однако сведения о языках, точной архитектуре, мультимодальности и максимальном контексте отсутствуют. На Samsung S25 Ultra при использовании CPU, dynamic_int8-квантизации и контекста 1024 токена заявлены скорость предварительной обработки 2238 токенов/с, скорость генерации 154,2 токена/с и задержка до первого токена 0,24 секунды; размер файла модели составляет 289 МБ, пиковое потребление памяти — 510 МБ. Результаты получены с LiteRT XNNPACK Delegate и четырьмя потоками, поэтому могут отличаться на других устройствах. Доступ регулируется лицензией Gemma; на Hugging Face требуется принять её условия.

Это финальный чекпойнт Qwen3-4B, дообученный методом supervised fine-tuning на примерах, подготовленных с учителем gpt-5.4-mini. Модель создана в рамках последовательного эксперимента BabyAI → TextCraft → SearchQA: этап SearchQA завершён после пяти эпох и 935 обновлений оптимизатора; в чекпойнт также перенесено обучение на двух предыдущих этапах. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров и контекстом до 40 960 токенов, предназначенная для диалоговой генерации текста и выполнения задач в этих средах. В оценке SearchQA модель достигла 54,44% среднего успеха по четырём попыткам на задачу; результаты на BabyAI и TextCraft составили 89,44% и 75,5% соответственно. Эти показатели относятся к одному чекпойнту и описанному протоколу, поэтому не подтверждают воспроизводимость на других обучающих запусках или обобщение за пределы тестовых сред. Для репозитория указана публичная доступность, но собственная лицензия не заявлена; необходимо учитывать условия базовой Qwen3-4B и применимые лицензии.

RadixArk/Inkling-Small-DSpark-Preview — исследовательская предварительная версия спекулятивной модели-черновика для ускорения инференса целевой модели Inkling-Small NVFP4. Она использует подход DSpark на основе параллельного чернового предсказания DFlash с Markov logit-bias и головкой оценки уверенности; архитектура черновика выполнена в стиле Qwen3 и содержит 5 слоёв. В метаданных указано 1,5 млрд параметров, а карточка сообщает о 0,90 млрд обучаемых параметров в весах черновика BF16 Safetensors. Модель предназначена для спекулятивного декодирования через SGLang. Для работы требуются точно соответствующие целевой чекпойнт thinkingmachines/Inkling-Small-NVFP4 и токенизатор; веса эмбеддингов и выходного слоя целевой модели в репозитории отсутствуют. Указанный адресуемый контекст — до 1 048 576 токенов, но обучение проводилось на последовательностях до 65 536 токенов, а штатный обучающий контекст составлял 8 192 токена. Приведены результаты оценки длины принятого продолжения на GSM8K, MATH500 и MBPP; официальные обучение и оценка ещё продолжаются. Требуется сборка SGLang с поддержкой DSpark. Условия лицензии в предоставленных данных не приведены.

legraphista/Llama-Guard-3-8B-IMat-GGUF — это вариант модели Llama Guard 3 8B, разработанной Meta, подготовленный в формате GGUF. Модель предназначена для задач классификации и фильтрации контента, связанных с безопасностью использования больших языковых моделей, включая проверку пользовательских запросов и ответов на потенциально вредоносное или неприемлемое содержание. Из доступных данных известно, что модель имеет размер 8B параметров и относится к семейству Llama Guard 3. Формат GGUF ориентирован на локальный запуск в совместимых инструментах вывода, однако сведения о точной архитектуре, используемой квантизации, поддерживаемых языках и размере контекстного окна в карточке не указаны. Ограничения, качество на конкретных языках и сценариях, а также дополнительные характеристики следует проверять отдельно. Использование регулируется Llama 3.1 Community License от Meta: при распространении материалов или производных продуктов необходимо соблюдать условия лицензии, требования атрибуции, Acceptable Use Policy и иные ограничения Meta.

opus-mt-bzs-sv — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка bzs на шведский (sv) и предназначена для автоматического перевода текстов между этими языками. Модель основана на архитектуре Transformer-align; в репозитории представлены веса PyTorch и TensorFlow. Размер составляет 51,5 млн параметров, контекст — до 512 токенов. При предобработке используются нормализация текста и SentencePiece. Для тестового набора JW300.bzs.sv в карточке приведены оценки BLEU 30,7 и chr-F 0,489. Качество перевода может зависеть от тематики и особенностей входного текста; указанные оценки относятся к конкретному тестовому набору. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-cpp-en — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Она переводит креольские языки и пиджины на португальской основе на английский; исходная группа включает индонезийский, минангкабау, папьяменто и варианты малайского. Для токенизации используются нормализация текста и SentencePiece с моделями словаря на 32 тыс. токенов. Модель содержит 54,8 млн параметров, её родной контекст — 512 токенов. Карточка приводит контрольные результаты на наборах Tatoeba: BLEU 39,6–49,1 и chr-F около 0,58 для перечисленных тестов. Модель подходит для перевода текстов с поддерживаемых исходных языков на английский; качество может различаться между языками и типами текста. Лицензия — Apache-2.0.

PrivaMesh Edge — браузерная локальная модель для семантической анонимизации электронной почты, разработанная в рамках проекта PrivaMesh пользователем или организацией sallani. Модель основана на ONNX-версии Gemma 3 270M IT и предназначена для работы через Transformers.js, ONNX Runtime Web и WebGPU, включая сценарии Outlook add-ins и браузерные приложения с локальной или офлайн-обработкой данных после загрузки и кэширования весов. Модель ориентирована на сохранение делового и кибербезопасностного контекста при псевдонимизации персональных данных и идентификаторов, включая имена, адреса электронной почты, телефоны, IBAN, IP-адреса, CVE и другие чувствительные сведения. Она может генерировать синтетические анонимизированные тексты писем. Заявлены поддержка английского и французского языков, текстовая генерация и запуск с использованием WebGPU; конкретный размер контекста в README не указан. К сильным сторонам относятся local-first архитектура, снижение передачи исходного текста во внешние AI-сервисы, возможность браузерного и офлайн-сценария, а также потенциальное ускорение на совместимом оборудовании. Модель не гарантирует полную анонимизацию или соответствие GDPR, HIPAA и другим стандартам, может пропускать редкие форматы, неоднозначные и предметно-специфичные данные и не должна быть единственным средством защиты. Рекомендуется сочетать её с детерминированными детекторами, DLP-контролями, проверкой результатов и при необходимости ручной валидацией. Использование регулируется лицензией Gemma, унаследованной от базовой модели.

Qwen3-0.6B-Distilled-30B-A3B-Thinking-SFT — компактная языковая модель Convergent Intelligence LLC на архитектуре Qwen3 с 507,9 млн параметров. По описанию разработчика, её сначала дистиллировали из Qwen3-30B-A3B-Thinking-2507 на задачах STEM, а затем дообучили на инструкциях по правовой тематике. Метаданные указывают базовую модель Qwen/Qwen3-0.6B и происхождение finetune; веса доступны в формате safetensors. Модель рассчитана на генерацию текста и диалоговую работу, в том числе на мобильных и периферийных устройствах; заявленная длина контекста — 40 960 токенов. Основные сценарии — ответы на учебные вопросы по математике и естественным наукам, пошаговые объяснения решений и ответы на общие правовые вопросы. Карточка позиционирует модель для лёгкого локального запуска и включения в много-модельные системы. Указана лицензия Apache-2.0. Размер модели ограничивает глубину рассуждений: разработчик предупреждает об ошибках, ухудшении качества при цепочках длиннее примерно восьми шагов и слабых результатах в недостаточно представленных областях, включая молекулярную биологию и физиологию. Модель не предназначена для проверки формальных доказательств, юридических консультаций, задач с критическими последствиями и длинных контекстных задач; README также рекомендует проверять ответы.

GetSoloTech разработала эту дообученную на LoRA модель на основе Qwen3-4B-Thinking-2507 для соревновательного программирования и рассуждений о коде. Это плотная причинно-языковая модель с 3,7 млрд параметров, обученная на наборе Code-Reasoning; в него входят отобранные задачи из TACO, APPS, CodeContests и Codeforces, преимущественно на Python. Модель генерирует программные решения и пояснения к ним, помогая разбирать условия, учитывать ограничения и продумывать граничные случаи. Модель принимает текстовые запросы и выдаёт текст, включая код и пошаговые рассуждения. В README указан контекст 4096 токенов с возможностью настройки до 262 144; метаданные указывают нативное окно контекста 262 144 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0.