I.14Автоматизация процессов и AI-агенты

Code Read-Span Selector — компактная модель Ishaan Ranjan для узкой подзадачи агента-разработчика: определения точного диапазона строк, в котором объявлен символ, в переданном фрагменте кода. Это полнопараметрическая модель Qwen2.5-0.5B-Instruct, дообученная с учителем на 1 772 примерах, созданных детерминированными правилами по репозиториям Python. Она построена на архитектуре Qwen2, содержит 494 млн параметров и имеет контекстное окно 32 768 токенов; в обучении использовалась максимальная длина последовательности 2 048 токенов. Модель рассчитана на работу в проверяющей оболочке, которая формирует запрос, разбирает JSON, применяет проверки и при необходимости использует правила. Модель предназначена для поиска строк определения символов в коде, а не для общего программирования или диалога. В оценке на отложенных репозиториях HTTPX и Jinja2 точность успешного выполнения после одной попытки с повтором при ошибке схемы составила 21,6%, поэтому эксперимент признан нерешённым; при самостоятельном использовании качество может быть недостаточным. Карточка указывает лицензию Apache-2.0.

udaypratap/smart-mcq-solver — модель на базе DistilBERT, дообученная для выбора ответа в заданиях с вариантами. Она принимает текст вопроса и варианты ответов и оценивает их, чтобы определить подходящий вариант. Модель предназначена для решения тестов с множественным выбором и похожих задач классификации вариантов. Модель использует архитектуру DistilBertForMultipleChoice и формат весов safetensors. Базовая модель distilbert/distilbert-base-uncased рассчитана на английский язык; максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Карточка не содержит сведений о датасете обучения, оценках качества или особых ограничениях.

Bencode92/tradepulse-finbert-sentiment — дообученная версия FinBERT для классификации тональности финансовых текстов, разработанная командой TradePulse ML Team. Модель относится к категории text classification и определяет один из трёх классов: negative, neutral или positive. Она предназначена для анализа финансовых новостей, корпоративных сообщений и других текстов, где требуется оценить позитивную, нейтральную или негативную тональность, в том числе в сценариях, связанных с торговыми решениями. В README указано, что модель работает с английским языком и использует Transformers-интерфейс AutoTokenizer и AutoModelForSequenceClassification. Размер модели, точная архитектура базового FinBERT и максимальная длина контекста не указаны. По данным карточки, модель обучалась инкрементально в течение двух эпох на датасете base_reference.csv из 1797 образцов с learning rate 1e-05 и batch size 4, без балансировки классов. На указанном наборе получены Accuracy, F1, Precision и Recall 1.0000, однако независимая проверка и сведения о способности обобщать на новые данные не приведены, поэтому эти результаты следует интерпретировать с осторожностью. Лицензия модели — Apache-2.0.

ViiTorVoice-NAR — модель синтеза речи с неавторегрессионной генерацией, разработанная для проекта viitor-ai/viitor-voice-nar. Она генерирует речевые токены по тексту, аудио-промпту, маскам редактирования, условиям длительности и меткам эмоций или неречевых вокальных событий. В состав входят языковая модель на основе дообученной Qwen3-0.6B, DualCodec для преобразования аудио в дискретные токены и обратно, а также W2V-BERT 2.0 для извлечения семантических признаков речи. Модель предназначена для клонирования голоса по образцу, локальной замены фрагментов записи с сохранением остальной речи и управления эмоциями и паралингвистическими особенностями звучания. В метаданных указаны языки китайский, английский, японский и корейский, форматы ONNX и safetensors. Модель распространяется под лицензией Apache-2.0; README рекомендует отдельно проверять условия использования каждого подкомпонента.

VPR-Qwen3-4B-Base-Math-Mixed — дообученная модель nics-efc на базе Qwen3-4B-Base с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она обучена на смешанных математических данных и опыте в играх Sokoban, Sudoku и Minesweeper; VPR использует пошаговые награды за действия, вычисляемые проверяющими оракулами для конкретных задач. Модель предназначена для генерации текста и экспериментов с рассуждениями и агентными действиями в игровых и исследовательских сценариях. Контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers. В карточке приведены результаты на наборах общего рассуждения, ALFWorld и WebShop, измеренные по протоколу статьи VPR. Ограничения модели связаны с распределением математических данных, игровыми оракулами, промптами и форматами действий, использованными при обучении; качество и безопасность за пределами этих условий не установлены. Лицензия — Apache-2.0.

When2Think-1.5B — языковая модель, разработанная авторами проекта When2Think и дообученная с помощью RLVR на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель на архитектуре Qwen2 содержит 1,5 млрд параметров и генерирует текст, адаптивно выбирая, отвечать ли сразу или строить явное многошаговое рассуждение, а также сколько вычислений выделить на сложную задачу. Модель предназначена прежде всего для решения математических задач и изучения эффективного адаптивного рассуждения. В README приведены результаты на MATH-500, GSM-Plus, AIME24 и AIME25: в зависимости от задачи модель может сократить число генерируемых токенов, сохраняя или повышая точность. Она работает как самостоятельная причинная языковая модель через Transformers; отдельные маршрутизатор, проверяющая модель или оценщик для инференса не требуются. Контекст — до 131 072 токенов; в карточке указан английский язык. Модель доступна по лицензии MIT. Её компактный размер и выбор между прямым ответом и рассуждением подходят для экспериментов и применения в задачах рассуждения, однако опубликованные результаты охватывают конкретные математические бенчмарки и не гарантируют аналогичного качества на других задачах. Дообучение может изменить баланс режимов и глубину рассуждений.

Модель gaurav8894/autotrain-nkdl3-gx9ao — дообученная с помощью AutoTrain модель BERT для классификации текста. Она основана на google-bert/bert-base-uncased и использует архитектуру BertForSequenceClassification. Модель подходит для присвоения текстам меток в задаче, на которой её обучали; карточка не уточняет предметную область и набор классов. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors. Базовая модель ориентирована на английский язык. Валидационная точность составляет 0,5, а macro F1 — около 0,36, что указывает на ограниченное качество классификации. Лицензия в предоставленных данных не указана.

VuongQuoc/checkpoints_28_9_microsoft_deberta_V2 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит около 533,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, базовая модель — microsoft/deberta-v3-large. Модель предназначена для оценки вариантов ответа и выбора наиболее подходящего, например, в тестах и викторинах. В README приведены результаты на наборе оценки: MAP@3 0,8842 и точность 0,815; набор данных обозначен как None, поэтому по карточке нельзя определить предметную область обучения. Лицензия — MIT. Подробности об ограничениях и назначении автором не приведены.

dots.tts-mf-2steps — модель синтеза речи из семейства dots.tts, разработанная dots-studio. Репозиторий содержит самостоятельный артефакт для инференса с фиксированным двухшаговым семплированием MeanFlow; настройки семплирования задаются в конфигурации, несовместимые параметры вызывают ошибку. Модель предназначена для клонирования голоса по тексту и образцу речи: на вход подаются текст, аудиозапись голоса и её точная расшифровка, на выходе создаётся аудио. В карточке приведён пример на английском языке, но подтверждения поддержки конкретных языков нет. Модель распространяется по лицензии Apache-2.0. Высокоточное клонирование голоса допустимо только с разрешения и согласия владельца голоса.

FLUX.2-dev-NVFP4 — квантизированная версия модели FLUX.2 [dev], разработанной Black Forest Labs. Это трансформер rectified flow с 32 млрд параметров для генерации, редактирования и комбинирования изображений по текстовым инструкциям; репозиторий содержит варианты NVFP4 и смешанный NVFP4/BF16. Модель предназначена для сценариев преобразования изображения по текстовому запросу. Для работы используется библиотека Diffusers, веса опубликованы в формате Safetensors. Карточка не сообщает длину контекста и условия лицензии: в метаданных указана лицензия other. Указан английский язык. Конкретные ограничения качества или области применения в README не описаны.

GENIE (Generative Note Information Extraction) — англоязычная модель для структурирования свободного текста из электронных медицинских карт. Она дообучена группами Sheng Yu, Tianxi Cai и Isaac Kohane на базе Meta Llama 3.1 8B Instruct; размер модели — около 7,5 млрд параметров, контекст — до 8192 токенов. Модель за один проход извлекает биомедицинские сущности и их атрибуты: статус утверждения, локализацию в теле, модификаторы, значения, единицы измерения и назначение, а затем выдаёт результат в формате JSON. GENIE предназначена для извлечения медицинской информации из записей EHR без разработки специализированной цепочки NLP-компонентов, prompt engineering и примеров в запросе. Это может упростить сопровождение и снизить время обработки и эксплуатационные затраты. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель ориентирована на английский язык и медицинские записи; качество структурирования на иных типах текстов и за пределами английского README не описывает.

Ray2333/gpt2-large-harmless-reward_model — модель на архитектуре GPT-2 Large, обученная на наборе Anthropic/hh-rlhf (harmless). Она предназначена для классификации ответов ассистента по признаку потенциального вреда и может применяться как компонент контура RLHF для оценки ответов. Для корректного использования на вход следует подавать текст в формулировке, принятой в Anthropic/hh-rlhf. В README указана точность 0,73698 на тестовой выборке. Модель принимает текст и выдаёт результат классификации. Контекст составляет 1024 токена. Вес опубликован в формате safetensors, лицензия — MIT. Модель обучена только на harmless-части Anthropic/hh-rlhf, поэтому её оценки не следует трактовать как универсальную оценку качества или безопасности ответов.

JPT-4B — открытая модель принятия решений, разработанная авторами семейства JPT и дообученная на базе Qwen/Qwen3.5-4B. Она принимает описание ситуации и типизированные вопросы, а одним проходом выдаёт вероятности вариантов: выбор из списка, уровень на упорядоченной шкале или ответ «да/нет». Модель не генерирует объяснения и не выполняет отдельный этап рассуждения, поэтому рассчитана на быстрые решения с низкой задержкой в интерфейсе typed-decision через llm2jev. Модель содержит 4 млрд параметров, использует архитектуру Qwen3.5 и формат safetensors; LoRA-дообучение объединено с основными весами. Она поддерживает текст и изображения через неизменённую vision tower базовой модели, включая скриншоты, фотографии и кадры видео. Основной язык — английский; русскоязычная поддержка не заявлена. В README указана калибровка вероятностей с одной температурой, обученной на отложенной выборке; ошибка калибровки зависит от задачи. Модель предназначена для классификации и выбора действий по заданному состоянию, ранжирования вариантов через вероятности, оценок по шкале и бинарных решений. README сообщает высокие результаты на ряде тестов типизированных решений, однако отдельно отмечает слабые результаты на арифметике, датах и задачах, требующих рассуждений о скрытом состоянии. Для изображений приведены нулевые по обучению на изображениях результаты, а качество при более чем 77 вариантах не установлено, хотя интерфейс принимает до 255. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с атрибуцией и ограничивает коммерческое применение.

K2-Type-1B — компактная модель принятия решений, разработанная chen11003 на основе IFM/K2-Horizon-0.9B. Она принимает текстовое состояние или JSON и набор типизированных вопросов, а за один проход оценивает варианты ответа: определяет вероятность истинности утверждения, ранжирует именованные варианты или оценивает ожидаемый уровень по упорядоченной шкале. Модель предназначена для классификации, выбора и калиброванной оценки, в том числе в диалоговых сценариях и игровых состояниях; генерировать текст она не умеет. Модель имеет плотную архитектуру K2HorizonForCausalLM с отдельной pointer head, около 924,5 млн параметров и контекст до 8192 токенов. В README приведены результаты на JevBench и Kev, а также пример управления игрой Snake по текстовому представлению поля. Для запуска автор описывает сервер на Transformers, которому требуется CUDA GPU. Модель дообучена на IFM/K2-Horizon-0.9B и распространяется под лицензией Apache-2.0. Модель выполняет оценку за один проход без явного многошагового рассуждения. Она слабее справляется со сложной арифметикой, вычислением разницы дат и документами длиннее контекстного окна; калибровка вероятностей может ухудшаться на данных, отличающихся от калибровочного набора. Ответ ограничен предложенными вариантами, поэтому вариант «ни один» нужно добавлять явно.

KUCIBertBaseFinetuned — модель Ariffiq99, дообученная на основе bert-base-uncased для задачи multiple-choice: выбора одного из предложенных вариантов ответа по входному тексту. Она использует архитектуру BERT с 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 1,2038 и F1 0,5172; обучающий набор данных не указан. Модель распространяется по лицензии Apache-2.0.

Davd-b01/lfm2.5-2.6B-thinkingcap-distiller — компактная модель для обработки и сжатия длинных reasoning-трасс, созданная на базе LiquidAI/LFM2.5-2.6B с использованием LoRA-дистилляции. Она преобразует многошаговые агентные трассы с вызовами инструментов, исправлениями и подробными рассуждениями в короткий блок <think> и окончательный нумерованный ответ. Модель предназначена для подготовки обучающих данных, переноса экспертных рассуждений между моделями, создания специализированных SFT-датасетов и самодистилляции, а не для обычного диалогового общения. Размер модели составляет около 2,6 млрд параметров; это текстовая causal language model для генерации текста, поддерживающая английский и испанский языки. В примере использования указан контекст до 16 384 токенов. По данным README, модель обычно сокращает трассу примерно в 3,6 раза, сохраняя итог и числовые значения; заявлена точность совпадения с эталонными вердиктами 90%. Сильные стороны — компактность, локальный запуск и эффективное следование строгому формату вывода. Ограничение — узкая специализация: модель не является чат-моделью, а качество зависит от корректности и полноты входной трассы. Репозиторий обозначен как legacy V1 и не рекомендуется для новых production-запусков; лицензия — Apache-2.0.

Llama-3.1-70B-Instruct-RM-RB2 — модель оценки предпочтений, разработанная Allen Institute for AI и выпущенная в составе набора reward-моделей для бенчмарка RewardBench 2. Это дообученный классификатор на архитектуре Llama 3.1 с 69,5 млрд параметров, который обрабатывает текст и присваивает оценку для бинарного сравнения предпочтений; его используют при оценке ответов языковых моделей, отборе вариантов Best-of-N и разработке обучения с подкреплением PPO. Модель обучалась на данных предпочтений, включая смеси датасетов Tulu 3 и Skywork Reward Preference. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. В RewardBench 2 основная версия набрала 76,1 балла; показатели различаются по категориям оценки. Модель предназначена для скоринга и классификации, а не для генерации ответов ассистента. Для использования требуется соблюдать Llama 3.1 Community License Agreement.

modernBERT-large-claim-agent_v10 — дообученная Inabia-AI модель классификации текста на базе answerdotai/ModernBERT-large. Она использует плотную архитектуру ModernBERT для классификации последовательностей; содержит 394,7 млн параметров и принимает контекст длиной до 8192 токенов. Карточка сообщает метрики оценки: accuracy 0,9979, precision 0,9892, recall 0,9928 и F1 0,9910. Модель предназначена для классификации текста. Название указывает на обработку утверждений, однако карточка не описывает метки классов, данные обучения или конкретный сценарий применения, поэтому назначение «claim agent» подтвердить нельзя. Основа — англоязычный двунаправленный энкодер ModernBERT-large; указана лицензия Apache-2.0. Условия обучения и ограничения в карточке не раскрыты.

ewre324/moondream2 — репозиторий модели для определения направления взгляда, содержащий карточку Moondream. Moondream — компактная модель визуально-языкового типа, разработанная для эффективной работы на периферийных устройствах; карточка указывает, что в репозитории размещён выпуск от 9 января 2025 года и более ранние версии. Модель предназначена для сценариев, где по изображению нужно сформулировать текстовый ответ, в том числе для обнаружения направления взгляда. Метаданные указывают задачи image-text-to-text и text-generation, архитектуру Moondream1 и файлы в форматах safetensors и GGUF F16. Лицензия — Apache-2.0. Карточка рекомендует фиксировать ревизию при использовании в производственных приложениях, поскольку модель часто обновляется. Размер, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

Модель quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v5 — дообученная версия quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v4 для задач с выбором ответа. Она использует плотную архитектуру DeBERTa v2 с головой DebertaV2ForMultipleChoice и содержит 533,8 млн параметров. Модель принимает текст вопроса и варианты ответа, чтобы определить наиболее подходящий вариант; максимальная длина контекста — 512 токенов. В README приведены значения потерь и метрики Map3 на обучающей выборке, но назначение датасета и результаты на валидации подробно не описаны. Репозиторий распространяется по лицензии MIT.

RetrievalRouter_Baseline — исследовательский базовый классификатор для выбора стратегии поиска документов, созданный как часть работы RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval. Модель дообучена на Qwen/Qwen3-0.6B-Base с LoRA; использует mean pooling, 1024-мерное представление и линейную голову, выбирающую один из пяти вариантов поискового конвейера. Классификатор обучен на жёстких метках с функцией потерь cross-entropy. Модель оценивает запрос и выбирает подходящий маршрут: от недорогого BM25 до плотного поиска, мультимодального поиска или поиска с поздним взаимодействием. Она возвращает выбранный конвейер, а не документы; для работы нужно отдельно запустить этот конвейер по собственным индексам. Чекпойнт предназначен для воспроизведения исследовательских сравнений, а авторы рекомендуют для развёртывания основные чекпойнты RetrievalRouter. Для загрузки пользовательской архитектуры требуется trust_remote_code=True. Лицензия — MIT.

Smart MCQ DeBERTa — модель на базе DeBERTa-v3-base, дообученная для оценки пяти вариантов ответа на вопрос с выбором ответа. Она принимает вопрос вместе с каждым вариантом и ранжирует варианты, помогая выбрать наиболее подходящий. Модель содержит 211,6 млн параметров, имеет контекст длиной до 512 токенов и рассчитана на использование через Transformers с AutoModelForMultipleChoice. Модель подходит для автоматического выбора ответа в тестах, викторинах и других заданиях с пятью вариантами. Карточка не сообщает, на каких языках обучена модель и на каких наборах данных она проверялась; её применение следует ограничивать форматом и типом вопросов, на которых она была дообучена. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель tekyerema-tts-hau разработана Prince Nasamu Alhassan и предназначена для синтеза речи на хауса из текста. Это дообученная модель архитектуры VITS на базе facebook/mms-tts-hau, обученная в течение 20 000 шагов на наборах bibletts_hausa и waxal_hau_tts. В репозитории указано 3,5 млн параметров; веса сохранены в формате safetensors. Модель подходит для озвучивания коротких фраз и голосового вывода на хауса. Токенизатор работает на уровне символов, поэтому перед синтезом текст нужно переводить в нижний регистр и преобразовывать числа в слова: символы вне словаря удаляются без предупреждения, а цифры покрыты неполно. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с указанием авторства. Автор характеризует работу как результат хакатона, а не поддерживаемый продукт.

Модель PrinceAlhassanNasamu/tekyerema-tts-kus — система синтеза речи на языке кусал, дообученная разработчиком на базе facebook/mms-tts-kus. Это компактная модель VITS с 3,5 млн параметров в формате Safetensors; обучение длилось 20 000 шагов на наборе kusaal_scripture. Модель преобразует текст в аудио и предназначена для озвучивания текстов на кусал, в том числе команд голосового агента. Голос обучен на чтении священных текстов, поэтому звучит как чтение, а не как обычная разговорная речь. Проверка носителем языка показала обобщение фонетического покрытия на тексты вне обучающего набора, однако командах голосового агента длительность синтеза составляла около 54% от человеческой. Токенизатор посимвольный: символы вне словаря отбрасываются без предупреждения. Перед синтезом следует привести текст к нижнему регистру и преобразовать числа в слова; для кусал также остаются проблемными буква «c» и некоторые знаки препинания. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

Tev1-0.8B-experimental — экспериментальная модель принятия решений от Together AI, полученная supervised fine-tuning модели Qwen3.5-0.8B. Она сохраняет стандартную авторегрессионную языковую модель с головой предсказания следующего токена; это не среда выполнения Jev без авторегрессии. Модель предназначена для выбора одного варианта по структурированным полям state, question и списку из 2–24 вариантов с метками. В ответе ожидается только буква выбранного варианта, которую приложение сопоставляет с нужным значением. Это узкий интерфейс для классификации решений, а не для обычного диалога. Карточка предупреждает, что модель может ошибаться, а устойчивость к prompt injection, работа на разных языках, калибровка и поведение на задачах вне обучающего распределения подробно не проверялись. Её не следует использовать как единственное основание для решений с высокими последствиями. Условия лицензии в предоставленных данных не указаны.

Это версия модели S3PRL Wav2Vec2, перенесённая для задачи обнаружения ключевых слов в рамках бенчмарка SUPERB. Она классифицирует аудио высказывания по заранее заданным словам, а также по классам тишины и неизвестных слов; обучение проводилось на Speech Commands v1.0. Модель построена на Wav2Vec2-base и содержит 113,3 млн параметров. Модель принимает речевое аудио с частотой дискретизации 16 кГц и выдаёт метки классов. Она подходит для распознавания команд и ключевых слов, в том числе в сценариях с быстрым локальным откликом. В README приведена точность 0,9643 при оценке через Transformers; фактические скорость и размер могут быть важны для развёртывания на устройстве. Модель использует формат PyTorch и лицензию Apache-2.0. Карточка описывает поддержку английского языка; распознаваемый набор ограничен заранее заданными классами датасета Speech Commands, поэтому это не универсальная система распознавания речи.

VSAsteroid/ai-text-detector-hc3 — модель классификации текста, дообученная автором репозитория на базе DistilBERT для различения текстов, написанных человеком, и текстов, созданных ИИ. Она построена на DistilBertForSequenceClassification и обучена на наборе HC3 (Human ChatGPT Comparison Corpus) с использованием PyTorch и Transformers. Модель принимает текст и присваивает ему одну из двух меток: «написан человеком» или «создан ИИ». Её можно применять для проверки происхождения текстов, похожих на материалы из обучающего набора. Контекст модели составляет 512 токенов; в метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Заявленная точность относится прежде всего к типам текстов, представленным в HC3. Качество может снижаться на других жанрах и текстах от незнакомых моделей; короткие фрагменты классифицировать сложнее. README не приводит численных метрик качества.

Atom Classifier — мультиязычная модель токенной классификации от hyperquest для первого этапа Alpha-Beta-парсера семантических гиперграфов. Она присваивает каждому токену предложения одну из 39 меток семантических атомов и подтипов: понятий, предикатов, модификаторов, связок, триггеров, союзов или исключаемых токенов. Полученные метки затем используются для построения вложенных гиперграфовых структур на следующем этапе парсера. Модель построена на DistilBertForTokenClassification и дообучена на distilbert/distilbert-base-multilingual-cased. Максимальная длина последовательности — 512 токенов. В карточке заявлена поддержка английского, немецкого, французского, испанского, португальского и нидерландского языков. Модель распространяется по лицензии Apache-2.0. Она предназначена для семантического разбора предложений в составе инструментария hyperbase и Alpha-Beta-парсера, а не для самостоятельной генерации текста или полного построения гиперграфа. Качество разметки зависит от соответствия входного языка и текста обучающим данным; подробности о составе обучающего набора и оценках качества в предоставленной карточке не приведены.

BERTAIDetector — англоязычная модель Притама, дообученная на базе google-bert/bert-base-uncased для бинарной классификации текста: написан ли он человеком или сгенерирован ИИ. Она принимает текстовые фрагменты и предназначена для автоматической проверки материалов в онлайн-платформах, академической и журналистской среде. В README указано обучение на данных соревнования Kaggle LLM Detect с примерами длиной от 5 до 100 слов; заявленная точность на валидационной выборке соревнования составляет 96,65%. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия в метаданных — MIT; README указывает Apache 2.0, поэтому условия лицензирования в источниках расходятся. Модель рассчитана на английский язык; для других языков и сильно перефразированного ИИ-текста она не предназначена. Возможны ложные срабатывания и пропуски, а заявленная оценка получена на валидационных данных соревнования и сама по себе не гарантирует аналогичное качество на новых материалах.

gauravjhaiitm/deberta-mcq-solver — модель DeBERTa-v3-base, дообученная для выбора правильного ответа из нескольких вариантов. Она использует плотную архитектуру DeBERTa V2 и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для задач multiple choice, а в карточке указаны высокие результаты на оценочном наборе: accuracy 0,9962 и macro F1 0,9960. Датасет и конкретная область вопросов не описаны. Модель распространяется под лицензией MIT.