I.14Автоматизация процессов и AI-агенты

arcee-ai/DeepSeek-R1-bf16 — конверсия весов DeepSeek-R1 из исходного FP8 в BF16. DeepSeek-R1 разработана DeepSeek на базе DeepSeek-V3-Base; она использует обучение с подкреплением и этапы дообучения с учителем для развития навыков рассуждения. В репозитории указаны архитектура DeepSeek V3, 37,6 млрд параметров и контекст длиной до 163 840 токенов. Модель предназначена для генерации текста в диалоге, решения математических задач, программирования и многошаговых рассуждений. Карточка описывает саму DeepSeek-R1 как разреженную MoE-модель с 671 млрд параметров и 37 млрд активируемых параметров, однако метаданные этого репозитория классифицируют архитектуру как плотную и указывают 37,6 млрд параметров; характеристики оригинала не следует переносить на эту конверсию без оговорки. В метаданных также отмечен интерфейс вызова инструментов. В README не приведены сведения о лицензии и отдельных ограничениях для этой конверсии. Для запуска потребуется совместимая среда инференса с поддержкой BF16; пригодность модели зависит от доступной памяти и оборудования.

Модель TahaDouaji/detr-doc-table-detection разработана Таха Дуаажи для обнаружения таблиц в документах. Она дообучена на основе facebook/detr-resnet-50 и предназначена для поиска таблиц с рамками и без рамок на изображениях документов. Модель решает задачу обнаружения объектов и обучена на наборе ICDAR2019 Table Dataset. В репозитории представлены форматы PyTorch, Safetensors и ONNX; число параметров — 6,3 млн. Лицензия Apache-2.0. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Качество зависит от сходства входных документов с обучающими данными. Карточка предупреждает о возможных предвзятых или вредных стереотипах в предсказаниях; прикладные ограничения для распознавания таблиц подробно не описаны.

DFlash-Qwen3.5-27B-Uncensored-i1-GGUF — GGUF-квантизированная версия модели DFlash-Qwen3.5-27B-Uncensored, разработанной AEON-7 и квантизированной mradermacher. Модель относится к семейству Qwen3.5 и предназначена для диалоговой генерации текста, рассуждений, программирования, агентских сценариев, вызова функций и работы с инструментами. Доступны варианты для локального запуска через совместимое с GGUF программное обеспечение, включая экосистемы с поддержкой vLLM и llama.cpp-подобных движков. Заявлены размер 27B параметров, гибридная архитектура с hybrid attention, linear attention и gated deltanet, поддержка длинного контекста, текстовой и визуальной информации. Это vision-language модель: для обработки изображений могут потребоваться отдельные mmproj-файлы. В README указан английский язык, однако точный перечень поддерживаемых языков и максимальная длина контекста не приведены. Доступно множество квантизаций от очень компактных IQ1 до более качественных Q5 и Q6; варианты различаются размером, скоростью и качеством, при этом README рекомендует i1-Q4_K_M как быстрый сбалансированный вариант. К сильным сторонам относятся мультимодальность, возможности для программирования, рассуждений, tool calling и локального развертывания с выбором размера файла. Ограничения связаны с потерями качества при низкобитных квантизациях, отсутствием в README количественных бенчмарков и точных требований к памяти, а также с тем, что заявленный uncensored-профиль может означать ослабленные ограничения на содержание. Модель распространяется по лицензии Apache-2.0.

Isotonic/distilbert_finetuned_ai4privacy_v2 — англоязычная модель Isotonic для обнаружения персональных и чувствительных данных в тексте. Она дообучена на английской части набора ai4privacy/pii-masking-200k и предназначена для разметки фрагментов текста перед удалением или маскированием PII, в том числе в потоках данных для AI-ассистентов и LLM. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и присваивает его фрагментам метки из 54 классов PII. Контекст составляет 512 токенов. В README указаны метрики на оценочной выборке: F1 0,9549 в целом, при этом результаты заметно различаются между классами; например, F1 для email равен 1,0, а для названия валюты — 0,2281. Модель выпущена по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Docling Model for Layout — модель обнаружения объектов на основе RT-DETR для определения структуры и элементов макета документов. Она входит в проект Docling и предназначена для анализа расположения элементов на страницах документов; модель распространяется в формате Safetensors и загружается через Transformers. В карточке указана внутренняя выборка для распознавания структуры документов. Лицензия — Apache 2.0.

Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) — мультимодальная модель для разбора изображений документов, построенная по схеме «сначала анализ, затем разбор». На первом этапе она определяет структуру страницы и порядок чтения, а на втором параллельно извлекает содержимое отдельных элементов: текста, иллюстраций, формул и таблиц. Модель использует архитектуру vision-encoder-decoder: визуальный энкодер основан на Swin Transformer, а текстовый декодер — на mBART. Задачи разбора можно задавать текстовыми промптами. Карточка описывает её как лёгкую модель с эффективным параллельным разбором, предназначенную для анализа структуры и содержимого страниц документов. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия MIT. Размер модели и длина контекста не приведены в доступных источниках.

Dolphin-2.9.1-Phi-3-Kensho-4.5B-abliterated-v3 — разговорная языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и сообществом Cognitive Computations; uncensored-настройку выполнил FailSpy. Модель основана на Phi-3-Mini-Instruct-4k в Mistral-совместимой архитектуре и дообучена методом qLoRA на данных для инструкций, диалогов, программирования, математики и вызова функций. Веса также изменены для ослабления отказов на запросы. Модель предназначена для ответов на инструкции, диалогов, помощи с кодом и математическими задачами, а также для начального использования в агентных сценариях и вызова функций. Она принимает текст и генерирует текст, использует шаблон ChatML и имеет контекст 4096 токенов. В репозитории доступны веса Safetensors; при использовании адаптера его следует подключать к базовой модели Unsloth Phi-3-mini-4k-instruct. В метаданных указано 6,4 млрд параметров. Модель ориентирована на английский язык. Ослабленная фильтрация отказов повышает соответствие запросам, поэтому перед предоставлением модели пользователям разработчики рекомендуют добавить собственный уровень ограничений. Лицензия MIT разрешает коммерческое использование; в README также отмечено, что при обучении использовались данные, сгенерированные GPT-4.

bards.ai разработала EU PII Anonimization Multilingual Detector v2 Preview — модель обнаружения персональных и чувствительных данных в тексте. Она продолжает обучение модели bardsai/eu-pii-anonimization-multilang и предназначена для разметки сущностей с последующим удалением или маскированием в документах, письмах, обращениях в поддержку, чатах и наборах данных, а также для фильтрации данных перед подачей в RAG-системы и поисковые индексы. Модель построена на XLM-RoBERTa и содержит 305,2 млн параметров; она принимает текст и возвращает BIO-разметку токенов. В версии v2 заявлено 36 классов сущностей, включая даты, контакты, идентификаторы, финансовые данные, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Поддерживаются 22 языка ЕС, перечисленных в карточке модели. Максимальная длина контекста — 514 токенов. Лицензия — Apache-2.0. Это предварительная версия с регулярно обновляемыми контрольными точками, поэтому результаты могут меняться. Качество зависит от языка, предметной области и качества текста; OCR-шум, переключение языков и необычное форматирование ухудшают полноту обнаружения. Неоднозначные сущности могут требовать постобработки и проверки человеком, а обнаружение данных само по себе не гарантирует соответствия требованиям законодательства.

Falcon3-1B-Instruct — компактная инструктивная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Она дообучена на базе tiiuae/Falcon3-1B-Base и предназначена для диалогов и генерации текста по инструкциям. Модель имеет плотную архитектуру Transformer с причинным декодером и 1,4 млрд параметров. В ней 18 блоков декодера, Grouped Query Attention, SwiGLU и RMSNorm; контекстное окно — до 8192 токенов. Модель принимает и генерирует текст на английском, французском, испанском и португальском языках. Модель обучалась на данных для STEM, диалогов, программирования, безопасности и вызова функций. В карточке заявлены сильные результаты в рассуждениях, понимании языка, следовании инструкциям, математике и задачах с кодом. Лицензия — TII Falcon-LLM License 2.0; перед использованием следует учитывать её условия.

Falcon-H1R-7B — языковая модель Technology Innovation Institute, предназначенная для рассуждений и генерации ответов. Она построена на Falcon-H1-7B-Base и дообучена методом supervised fine-tuning на длинных цепочках рассуждений, а затем усилена обучением с подкреплением GRPO. Модель имеет причинную декодерную архитектуру, сочетающую Transformer и Mamba2, и содержит 6,4 млрд параметров. Она принимает текст и поддерживает контекст до 262 144 токенов. В README заявлена специализация на математике, программировании, следовании инструкциям и общей логике; модель также поддерживает диалоговый режим. Основной язык — английский, при этом заявлена многоязычная поддержка. Для использования указаны Transformers, vLLM и SGLang. Модель может выводить ход рассуждений перед итоговым ответом; для уменьшения повторов README рекомендует настраивать параметры повторения и присутствия. Лицензия — Falcon-LLM License.

FIM-14B — языковая модель для программирования и агентных задач, разработанная TIGER-Lab. Она создана на основе Qwen/Qwen2.5-Coder-14B-Instruct: модель прошла дополнительное обучение на данных function-aware fill-in-the-middle, а затем дообучение на траекториях агента R2E-Gym. Это плотная архитектура Qwen2 с 14 млрд параметров и контекстом 32 768 токенов; модель поддерживает диалоговую генерацию текста и кода. Модель предназначена для агентного решения задач разработки ПО, включая поиск и исправление ошибок в репозиториях. В оценках авторов FIM-14B набрала 29,2 на SWE-Bench-Verified и 22,0 на SWE-Bench-Lite; README также сообщает об улучшении ряда показателей относительно варианта только с постобучением на R2E-Gym. Для запуска описан сценарий с vLLM и агентной оболочкой R2E-Gym. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

insraq/G9v3-3B-heretic — созданная командой AI9Stars версия G9v3-3B, обработанная инструментом Heretic v1.4.0 для снижения числа отказов. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM и примерно 2,7 млрд параметров, предназначенная для локального запуска и сценариев с ограниченными ресурсами. Модель поддерживает генерацию текста и диалоговое использование, включая повседневные запросы, программирование, рассуждения и взаимодействие с инструментами. Контекстное окно составляет 131 072 токена; в карточке указаны английский и китайский языки. В сравнении с исходной G9v3-3B модель показала 9 отказов из 100 тестовых запросов против 100 из 100 у оригинала; указанная дивергенция KL — 0,0410. Снижение числа отказов не гарантирует точности или безопасности: ответы могут быть ошибочными, предвзятыми или небезопасными, поэтому их следует проверять, особенно в важных сценариях. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0.

Edmon02/gemma-4-12B-it-GGUF — это общественное GGUF-зеркало инструкционно дообученной мультимодальной модели Gemma 4 12B IT от Google DeepMind, основанное на google/gemma-4-12B-it. Репозиторий поддерживается Edmon02 и содержит наборы квантованных весов, синхронизированные из bartowski/gemma-4-12B-it-GGUF, для локального запуска на пользовательском оборудовании. Модель предназначена для генерации текста, создания локальных агентов, программирования, а также мультимодальных сценариев с анализом изображений и аудио. Она имеет около 12 млрд плотных параметров, поддерживает текст, vision и audio, использует encoder-free архитектуру без отдельных визуального и аудиокодировщиков. Для обработки изображений в llama.cpp требуется дополнительный файл mmproj-*.gguf. Точное значение контекстного окна в README не указано. Заявлена поддержка английского языка; отдельно упоминаются сценарии исследований на армянском и английском, но полноценный перечень языков не приведён. К сильным сторонам относятся широкий выбор квантований, возможность запуска на устройствах с примерно 8–24 ГБ видеопамяти и интеграция с llama.cpp, LiteRT-LM, LM Studio, Ollama и MLX. Рекомендуемый вариант Q4_K_M рассчитан примерно на 16 ГБ памяти. Ограничения включают необходимость проверять качество общественных квантований относительно официальной версии BF16, возможную потребность в самых свежих сборках llama.cpp или LM Studio для аудио, а также требование принять лицензию и получить доступ к исходному gated-репозиторию Google. Указана лицензия Apache 2.0.

GLiClass Multilang Mini — мультиязычная модель классификации текста из семейства GLiClass, опубликованная Knowledgator. Она предназначена для классификации с пользовательскими метками без дообучения, а также для few-shot сценариев с примерами и описаниями меток. Модель содержит около 288 млн параметров и использует архитектуру GLiClass с механизмом CrossAttn Scorer. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и безопасности ответов LLM, обнаружения галлюцинаций, NLI и оценки релевантности пары запрос–текст. Она обучена для 20 языков и поддерживает межъязыковые сочетания текста и меток. В README приведены результаты zero-shot оценок и высокая пропускная способность на GPU, но фактическое качество зависит от языка, набора меток и задачи; для NLI рекомендуется подавать одну гипотезу за раз. Веса представлены в формате safetensors, для использования предлагается библиотека gliclass. Лицензия — Apache-2.0.

urchade/gliner_multi-v2.1 — многоязычная модель распознавания именованных сущностей (NER), разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее фиксированный набор меток недостаточен. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций или пользовательских категорий. Размер этой версии — 209 млн параметров; для работы используется библиотека GLiNER. В карточке указана поддержка нескольких языков, но конкретные языки не перечислены. По сравнению с крупными языковыми моделями GLiNER рассчитана на более лёгкое и практичное распознавание сущностей в условиях ограниченных ресурсов. Лицензия — Apache-2.0.

RedHatAI/GLM-5.2-NVFP4-FP8 — квантизированная версия модели zai-org/GLM-5.2, разработанная RedHatAI. Это текстовая авторегрессионная модель для генерации текста, построенная на архитектуре GlmMoeDsaForCausalLM. Она принимает текст и возвращает текст, поддерживает английский и китайский языки и предназначена прежде всего для высокопроизводительного инференса и развёртывания через vLLM, включая сценарии с рассуждениями и вызовом инструментов. Модель использует смешанную точность: веса и активации механизмов внимания представлены в FP8 с блочным масштабированием, а эксперты MoE — в FP4 (NVFP4). Такая оптимизация снижает среднее число битов на параметр примерно с 16 до 4–5, уменьшая размер на диске и потребность в GPU-памяти примерно на 70–75% по сравнению с исходной версией BF16. Контекстная длина в README не указана; для конфигураций с контекстом до 1M токенов предлагается обращаться к рецепту vLLM для GLM-5.2. Главное преимущество модели — существенное сокращение требований к памяти при сохранении большей части качества исходной модели: на GPQA Diamond она набрала 89,1 против 91,2 у незаквантизированной версии, что соответствует восстановлению 97,7% результата. Ограничения включают небольшое снижение точности, зависимость от совместимой версии vLLM и необходимость исправления из pull request #47780. Модель распространяется по лицензии MIT.

Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.

HelixLM-CheckpointHub — текстовая авторегрессионная модель семейства HelixLM, поддерживаемого Nimbus AI Lab. Она предназначена для генерации ответов и диалогов, включая решение математических и логических задач, программирование и вызов функций. В карточке описаны улучшения рассуждений после дополнительной вычислительной подготовки и оптимизаций на этапе постобучения; заявлено повышение результата GPQA-Diamond с 58% до 76,5% по сравнению с предыдущей версией HelixLM. Модель доступна в формате PyTorch и использует библиотеку Transformers. README рекомендует температуру 0,6 и приводит системный промпт для ассистента. Также описаны сценарии вопросов по загруженным файлам и генерации с результатами веб-поиска. Размер модели и длина контекста в предоставленных данных не указаны. Для модели заявлена лицензия MIT. README отмечает улучшения в снижении галлюцинаций и поддержке вызова функций, но не приводит подробных оценок, методики сравнения или ограничений по применению; фактическое качество на конкретных задачах может отличаться от benchmark-результатов.

HelixLM — плотная авторегрессионная языковая модель семейства Helix, опубликованная dusersad12 в формате PyTorch для генерации текста. В карточке заявлены улучшения рассуждений и вывода, включая задачи по математике, программированию и логике; модель также позиционируется как чат-ассистент с поддержкой вызова функций. README сообщает об улучшении результата на AIME 2026 до 89,3% и увеличении среднего расхода токенов на вопрос с 14 тыс. до 27 тыс., а также о снижении галлюцинаций. Для локального запуска и взаимодействия предлагаются отдельные кодовый репозиторий, веб-интерфейс и API; для генерации рекомендована температура 0,6. Репозиторий распространяется по лицензии Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

Hercules-Qwen1.5-14B — разговорная языковая модель, разработанная M4-ai и дообученная на 700 тысячах примеров Hercules-v4 от Qwen1.5-14B. Она предназначена для работы в роли универсального ассистента: отвечает на вопросы, помогает с математикой и программированием, поддерживает вызов функций и ролевые диалоги. Архитектура — плотная Qwen2ForCausalLM с 13,4 млрд параметров; модель рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors. В карточке заявлена поддержка английского и, возможно, китайского языков. Обучение проводилось в bf16 с длиной последовательности 1024; оценка качества в карточке не приведена. Лицензия указана как tongyi-qianwen license, а метаданные классифицируют лицензию как other. Разработчик предупреждает о рисках, смещениях и ограничениях модели.

Hunyuan-A13B-Instruct-GGUF — GGUF-квантизированная версия инструкционной модели Hunyuan-A13B-Instruct, разработанной Tencent. Квантизацию выполнил bartowski на основе llama.cpp версии b5845; модель представлена в рамках программы Community models сообщества LM Studio, но LM Studio не является её разработчиком или владельцем. Модель предназначена для генерации текста по инструкциям и оптимизирована для агентских задач с гибридным рассуждением. Это MoE-модель с 80 млрд общих параметров, из которых при обработке активируются 13 млрд. Заявлена поддержка контекста до 256 тысяч токенов, при этом значение по умолчанию составляет 32 тысячи токенов. Сведения о поддерживаемых языках и модальностях в README не указаны; по имеющимся данным, модель относится к текстовым моделям. К сильным сторонам относятся большой контекст, архитектура MoE с меньшим числом активных параметров и ориентация на агентские сценарии и рассуждение. Ограничения включают отсутствие в README подробных результатов оценки, перечня языков, информации о требованиях к оборудованию и характеристиках отдельных вариантов квантизации. Модель распространяется по лицензии tencent-hunyuan-a13b; указана ссылка на лицензию Tencent Hunyuan.

Карточка модели IQuestLab/IQuest-Coder-V1-14B-Base на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

jina-reranker-v1-turbo-en — англоязычный реранкер от Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Модель оценивает релевантность пар «запрос — документ» и переупорядочивает результаты поиска. Она предназначена для ускорения семантического поиска и улучшения отбора контекста в системах RAG. Это компактная дистиллированная модель с 6 слоями и примерно 37,6 млн параметров; она поддерживает последовательности длиной до 8192 токенов. По данным карточки, в тестах на поисковых наборах она сочетает высокую скорость с конкурентным качеством, хотя в отдельных оценках уступает более крупной версии jina-reranker-v1-base-en. Доступны веса PyTorch и ONNX. Лицензия — Apache-2.0.

Josiefied-DeepSeek-R1-0528-Qwen3-8B-abliterated-v1 — разработанная Гёкденизом Гюльмезом дообученная языковая модель семейства Qwen3, созданная на основе deepseek-ai/DeepSeek-R1-0528-Qwen3-8B. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров; она предназначена для генерации текста в диалоговом и инструктивном режимах, включая использование интерфейса вызова инструментов. Заявленный контекст — до 131 072 токенов. Модель ориентирована на открытое следование инструкциям и менее ограниченную генерацию, сохраняя возможности работы с инструментами. Подходит для диалогов, ответов на вопросы, генерации кода и рассуждений; её базовая модель обучена на цепочках рассуждений и рассчитана также на математические и логические задачи. В репозитории указаны веса Safetensors, а для семейства доступны сторонние варианты GGUF и MLX. Фильтры безопасности снижены, поэтому модель может выдавать чувствительные или спорные ответы. README рекомендует использовать её ответственно и на свой риск. Лицензия в предоставленных данных не указана.

Модель NotoriousH2/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная инструктивная языковая модель, опубликованная NotoriousH2. Она основана на архитектуре Llama и предназначена для генерации текста в диалоговом формате; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. Карточка сообщает о дообучении с использованием Unsloth и библиотеки TRL. Для весов указана лицензия Apache-2.0.

IsValorum публикует эту сборку KAT-Coder-V2.5-Dev в формате GGUF с пользовательской квантизацией APEX-I-MiniPlus V2. Это MoE-модель для генерации кода и агентных сценариев программирования, основанная на Kwaipilot/KAT-Coder-V2.5-Dev. Сборка рассчитана на запуск через llama.cpp, в том числе с полным или частичным размещением весов в системной памяти; автор приводит ориентиры производительности и использования длинного контекста, но они зависят от оборудования. Модель поддерживает чат и программирование, а метаданные указывают многоязычные теги, включая русский, английский и китайский. README описывает выборочную квантизацию тензоров с сохранением повышенной точности для отдельных компонентов. Указанный в карточке контекст 256K относится к заявленным сценариям запуска, а не подтвержденному здесь параметру модели. Репозиторий лицензирован по Apache-2.0.

KDL-Frontier-Parser-nano — компактная модель разбора документов с открытыми весами, упакованная и настроенная компанией KoreaDeep. Это плотная визуально-языковая модель семейства Qwen2-VL с 1,2 млрд параметров; она принимает изображение документа и текстовый запрос, а в ответ выдаёт текстовую разметку или распознанное содержимое. Модель предназначена для конвейера обработки документов: сначала определяют макет и вырезают области, затем вызывают модель отдельно для каждой области с запросом на распознавание текста, таблиц или макета. Для таблиц она формирует OTSL. По результатам ParseBench от 10 июня 2026 года, средний балл на полном наборе из 2553 примеров составил 76,48; в README также указано отсутствие сбоев инференса в этом прогоне. Для обслуживания README приводит настройки vLLM с контекстом до 8192 токенов, одним изображением на запрос и отключённым режимом thinking. Модель опубликована по лицензии AGPL-3.0. Ее назначение специализировано на разборе документов; распознавание выполняется по областям в несколько вызовов, а преобразование результатов в форматы, отличные от OTSL для таблиц, оставлено вызывающему приложению.

Kiel-2.1-Echo — языковая модель для диалогов и выполнения инструкций, разработанная KielTech в экосистеме Kiel AI. Это плотная причинная модель семейства Llama с 3,2 млрд параметров, дообученная на базе kiel2/Kiel-2-Echo и распространяемая как самостоятельные веса Safetensors в формате FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для разговорных ассистентов, генерации кода, помощи с асинхронными сценариями на Python, рассуждений о программной архитектуре и решения задач из разных областей. Она принимает текстовые запросы и генерирует текст; заявленный язык — английский. В карточке заявлены высокая производительность и строгое следование инструкциям, но сравнительные оценки или результаты тестов не приведены. Указаны варианты развёртывания через Transformers, vLLM и Text Generation Inference. Лицензия в предоставленных данных не описана.

NeuML/language-id-quantized — облегчённая модель определения языка текста, опубликованная NeuML как экспорт модели идентификации языков FastText для библиотеки staticvectors. Она использует символьные n-граммы и архитектуру статических плотных векторов; 2×256 product quantization сокращает размер до примерно 4 МБ с небольшим снижением точности относительно исходной версии. Модель предназначена для быстрого определения языка входного текста в Python с использованием NumPy. Модель подходит для автоматической маршрутизации текста по языковым обработчикам, разметки многоязычных корпусов и предварительной классификации пользовательских запросов. Карточка указывает поддержку многих языков, но не перечисляет их отдельно. Репозиторий содержит веса в формате safetensors; лицензия — CC BY-SA 3.0. Ограничение, отмеченное автором: квантование немного снижает точность по сравнению с базовой моделью.

LFM2-1.2B — компактная языковая модель, разработанная Liquid AI для работы на периферийных устройствах и локального развертывания. Это плотная авторегрессионная модель семейства LFM2 с 1,1 млрд параметров. Архитектура сочетает 10 блоков коротких свёрток с двойными затворами и 6 блоков группового внимания GQA. Модель принимает текст и генерирует текст; предусмотрены шаблон диалога в стиле ChatML и интерфейс для вызова инструментов. Контекст по метаданным каталога — до 128 000 токенов. Модель рассчитана на многошаговые диалоги, агентные сценарии, извлечение данных, RAG и творческое письмо. Liquid AI заявляет о высокой скорости и экономном использовании памяти на CPU, GPU и NPU, что подходит для смартфонов, ноутбуков и автомобильных систем. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. README рекомендует дообучать модель под узкие задачи и не рекомендует полагаться на неё в задачах, требующих глубоких знаний или навыков программирования. Лицензия обозначена в метаданных как other; конкретные условия следует проверять в репозитории модели.