I.14Автоматизация процессов и AI-агенты

vikp/surya_layout3 — модель анализа структуры документов для проекта Surya, представленная в Hugging Face. Она предназначена для сегментации изображений страниц на области макета, например при разборе документов и подготовке их к OCR. Модель построена на архитектуре EfficientViT и содержит 38,5 млн параметров; карточка показывает загрузку через EfficientViTForSemanticSegmentation в Transformers. Для распознавания макета модель принимает изображение страницы и выдаёт сегментационную разметку. Карточка указывает лицензию CC BY-NC-SA 4.0. Отдельные сведения о языковой поддержке в карточке не приводятся; сама задача анализа визуальной структуры не требует языкового ввода.

T3Q-qwen2.5-14b-v1.0-e3 — дообученная модель на основе Qwen/Qwen2.5-14B-Instruct-1M, опубликованная разработчиком JungZoona. Это плотная языковая модель с архитектурой Qwen2ForCausalLM и 14 млрд параметров, предназначенная для диалогов и генерации текста. Модель рассчитана на контекст длиной до 1,01 млн токенов и работает через библиотеку Transformers. В README указано, что модель прошла постобучение с LoRA на train_data_v1.0. Метаданные заявляют поддержку чата и интерфейса вызова инструментов; модель может применяться для длинных диалогов и анализа больших текстовых контекстов. В карточке сообщается о первом месте среди моделей до 32 млрд параметров в Global Open LLM Leaderboard, однако подробности оценки не приведены. Поддерживаемые языки по метаданным — английский и корейский. Модель распространяется по лицензии Apache-2.0. README сообщает о выпуске более новой версии T3Q-qwen2.5-14b-v1.2-e2 от 14 марта 2025 года, поэтому v1.0-e3 может быть устаревшей относительно неё.

Модель nsugianto/tblstructrecog_tuned_tbltransstrucrecog_noncomplex_complex_conlash_b5_1807s_lr1e6_dec1e5_bs4 — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц в документах. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров; веса опубликованы в формате safetensors. Модель принимает изображения и выдаёт рамки и классы обнаруженных элементов таблицы, например строк и столбцов. Модель подходит для разбора структуры таблиц на изображениях документов и может служить этапом в системах извлечения табличных данных. Датасет обучения, качество на тестах и конкретные ограничения в карточке не описаны. Лицензия — MIT.

Tema_Q-X6-9B-Thinking — дообученная текстовая большая языковая модель, созданная TemaQ на базе NeoHorse от TokenRhythm. Она предназначена для генерации ответов в диалоге и обработки сложных запросов, на которые стандартным моделям бывает трудно ответить. Модель построена на плотной архитектуре Qwen3.5 и содержит 7,2 млрд параметров; её контекстное окно — до 262 144 токенов. Поддерживаются японский, английский и китайский языки. Модель подходит для диалоговых помощников, следования инструкциям и работы с инструментами через соответствующий интерфейс. В карточке отмечены неконтентные фильтры, поэтому следует учитывать возможность генерации нежелательных ответов. README возлагает на пользователей ответственность за соблюдение законов и правил платформы и запрещает вредоносное использование. Сведения о лицензии в предоставленных данных отсутствуют.

RinggAI разработала компактную языковую модель для аналитики расшифровок телефонных звонков. Это дообученная на базе unsloth/Qwen2.5-1.5B-Instruct плотная модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые транскрипты на английском, хинди и смешанном хинглише, в том числе шумные, и генерирует текстовые результаты: классификации по заданным значениям, сводки разговоров и список действий или последующих шагов. Модель предназначена для автоматизации постзвонковой обработки в системах телефонии и голосового ИИ. В репозитории указана лицензия Apache-2.0. Карточка не приводит численных оценок качества или подробностей о поведении на разных типах шумных транскриптов, поэтому результаты стоит проверять для конкретного сценария.

Typhoon-OCR-1.5-3B-QAT — мультимодальная модель для распознавания текста и разбора документов, разработанная Typhoon AI на базе Qwen2.5-VL-3B. Это версия с обучением с учётом квантования (QAT), выпущенная в формате bfloat16 и предназначенная для последующего преобразования в низкую точность, например 4-битную, с меньшей потерей качества. Архитектура — плотная vision-language модель Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Модель рассчитана на OCR на английском и тайском языках, включая рукописные заметки, формы, таблицы, чеки, диаграммы и документы со сложной или нерегулярной разметкой. Она предназначена для запуска на устройствах с ограниченными ресурсами и должна использоваться с предусмотренным форматом промпта. Это специализированная OCR-модель, а не универсальная система визуальных вопросов и ответов; в результатах возможны галлюцинации, поэтому их следует проверять перед производственным использованием. Лицензия — Apache-2.0.

FiditeNemini/Unhinged-Qwen2.5-R1-1M-Uncensored-BF16 — объединённая модель автора FiditeNemini, полученная методом TIES из huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2 и mkurman/Qwen2.5-14B-DeepSeek-R1-1M. Это плотная причинно-языковая модель семейства Qwen2 с 14 млрд параметров, предназначенная для диалогов и генерации текста, включая код; интерфейс модели также поддерживает вызов инструментов. Репозиторий содержит веса Safetensors и версию для MLX в точности bfloat16. Метаданные указывают контекст до 1 010 000 токенов, тогда как README приводит 4096 токенов; фактическая поддержка столь длинного контекста может зависеть от конфигурации и используемого преобразования. В тегах указан английский язык. Модель позиционируется как uncensored и основана на вариантах с ослабленными отказами, поэтому её ответы могут включать нежелательный контент. Лицензия — Apache 2.0.

UniNER-7B-type — модель извлечения именованных сущностей, разработанная авторами проекта UniNER и дообученная на базе LLaMA-7B. Для обучения использовались тексты Pile-NER-type с метками типов сущностей, автоматически созданными GPT-3.5-turbo-0301 без ручной разметки. Модель принимает текстовый фрагмент и возвращает найденные сущности с их типами в виде списка пар. Модель предназначена для распознавания сущностей по заданным типам и извлечения именованных сущностей из текстов. В README отмечено, что она лучше варианта UniNER-7B-definition справляется с тегами типов и показывает лучшие результаты на бенчмарке Universal NER, охватывающем 43 академических набора данных из 9 областей. Архитектура — плотная LLaMA для генерации текста, размер — 6,6 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Поскольку разметка для обучения синтетическая, качество может зависеть от точности заданных типов и отличаться для текстов и категорий вне охвата обучения.

jackboot/uwu-qwen-32b — объединённая языковая модель на 32 млрд параметров, созданная с помощью mergekit методом TIES на основе Qwen/QwQ-32B-Preview и EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2. Она предназначена для диалоговой генерации текста; каталог также указывает интерфейс вызова инструментов. Модель использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. В README отмечено, что варианты EOS-токена у исходных моделей немного различаются, а настройки BOS могут менять результаты; автор советует подбирать подходящий токенизатор. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Salience-1.5-Flash — мультимодальная модель vectionlabs, представленная в виде квантованных файлов GGUF, подготовленных bartowski с использованием llama.cpp. Модель основана на vectionlabs/Salience-1.5-Flash и относится к семейству Qwen3-VL; в карточке указаны архитектура mixture-of-experts (MoE), поддержка работы с изображениями и текстом, рассуждений, программирования, агентских сценариев и использования инструментов. Заявленный язык — английский. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов, а также для диалоговых, аналитических, кодовых и инструментальных сценариев. В README не указаны точный размер модели, число экспертов, длина контекста и полный перечень поддерживаемых языков, поэтому эти характеристики нельзя определить по имеющимся данным. Доступны варианты от bf16 и Q8_0 до более компактных квантований Q3 и IQ3/IQ4; рекомендуемыми названы несколько вариантов Q4–Q6 с размером файлов примерно от 16,5 до 26,6 ГБ. К сильным сторонам относятся мультимодальность, MoE-архитектура, заявленная ориентация на рассуждения, программирование, агентское взаимодействие и работу с инструментами, а также возможность локального запуска через llama.cpp и совместимые приложения. Ограничения связаны с необходимостью выбирать подходящий уровень квантования и с отсутствием в карточке подробных результатов оценки качества, точных требований к оборудованию и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

Vela Omni Nano — компактная мультимодальная модель компании Vela для получения векторов текста, изображений, речи и окружающих звуков в общем пространстве размерностью 384. В модели 163,8 млн параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу с PyTorch. Модель предназначена для мультимодального поиска, маршрутизации запросов и кластеризации: её нормализованные векторы можно напрямую сравнивать между собой. В README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом; аудиоветвь на базе замороженного CLAP добавляет представления окружающих звуков, а аудиоэмбеддинги обучены отдельно. На английских тестах модель показывает сильные результаты для своего размера, тогда как многоязычные показатели остаются ограничением. Лицензия — Apache-2.0. README описывает зависимость для использования от PyTorch, совместимого torchaudio и Transformers 4.57.6.

webAI-Official разработала webAI-ColVec1.1-4b — мультимодальную модель поиска по документам на основе Qwen/Qwen3.5-4B. Это дообученный ColBERT-подобный энкодер: он кодирует текстовые запросы и изображения документов, включая отрендеренные страницы PDF, в нормализованные многовекторные представления размерности 640 и сопоставляет их методом позднего взаимодействия MaxSim. В выпущенной версии около 4,54 млрд параметров; языковая голова удалена. Модель предназначена для извлечения релевантных документов по текстовому запросу. Единый энкодер обрабатывает запросы и изображения страниц, а токенные векторы помогают учитывать детали содержимого и разметки страницы. Модель обучалась на сбалансированной многоязычной выборке из шести наборов данных и синтетических примерах. В README приведены результаты оценки на ViDoRe V3; для воспроизведения указан бюджет в 1 792 визуальных токена, а оценивание использует MaxSim. Многовекторные представления занимают больше места, чем одно-векторные базовые модели. Для заявленных оценок использовалось накопление MaxSim в float32; результаты могут немного различаться между аппаратным обеспечением и версиями программных библиотек. Лицензия указана как other, поэтому конкретные условия следует проверять в файлах репозитория.

Whisper Large v3 FP16 OpenVINO — это модель автоматического распознавания речи, разработанная OpenAI и преобразованная в формат OpenVINO IR с весами в формате FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с библиотеками OpenVINO и Optimum Intel. Модель содержит около 905,2 млн параметров и поддерживает распознавание речи на широком наборе языков, включая русский, английский, китайский, немецкий, испанский, французский, японский и многие другие. Она рассчитана на запуск через OpenVINO 2025.2.0 или новее и Optimum Intel 1.23.0 или новее, включая выполнение на CPU через OpenVINO GenAI. Модель подходит для транскрибации аудиозаписей, голосовых сообщений, звонков и другого речевого контента. FP16-представление и формат OpenVINO IR ориентированы на эффективное выполнение на поддерживаемом оборудовании, однако ограничения исходной модели Whisper Large v3 распространяются и на эту конвертированную версию. Модель распространяется по лицензии Apache-2.0.

Whisper Medium FLEURS Language Identification — модель классификации аудио, созданная дообучением OpenAI Whisper Medium на подмножестве FLEURS датасета google/xtreme_s. Она предназначена для определения языка по аудиозаписи речи. Модель содержит 455,8 млн параметров, использует архитектуру Whisper и сохранена в форматах PyTorch и safetensors. На оценочном наборе модель достигла accuracy 0,8805 и loss 0,8413. Базовая Whisper Medium — мультиязычная модель для распознавания речи и перевода, однако эта версия дообучена для идентификации языка. Лицензия — Apache-2.0.

Xoron-Dev-MultiMoe — мультимодальная модель семейства Xoron, опубликованная командой Xoron-Dev и представленная в репозитории Backup-bdg. В метаданных указаны архитектура MoE, 256,5 млн параметров, библиотека Transformers и контекст до 131 072 токенов. README заявляет обработку текста, изображений, видео и аудио, а также генерацию изображений, видео и речи. Для изображений описаны SigLIP-2 и сжатие TiTok, для видео — VidTok с обработкой до 32 кадров, для аудио — обработка сырого PCM и голосовой синтез. Модель позиционируется для мультимодального диалога, понимания визуального и аудиовизуального содержимого, работы с речью, генерации медиа и агентных сценариев с использованием инструментов. Среди заявленных характеристик — разреженная смесь экспертов и контекстное окно 128K. README также заявляет клонирование голоса по короткому образцу, но не приводит независимых оценок качества; описанные возможности и показатели следует считать заявлениями автора. Лицензия репозитория — MIT. В метаданных основной задачей указана генерация текста, тогда как авторский pipeline-тег — any-to-any; для каталога основной задачей выбрана any-to-any, поскольку карточка описывает модель для мультимодального ввода и вывода.

YiXin-Distill-Qwen-72B — плотная авторегрессионная языковая модель YiXin AI Lab на архитектуре Qwen2.5, дообученная с применением обучения с подкреплением и дистилляции для математических рассуждений и ответов на вопросы общего характера. Модель насчитывает 71,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Модель предназначена для диалоговых приложений, решения математических задач с объяснением хода решения и ответов на вопросы, требующие общих знаний и рассуждений. В README приведены результаты сравнительных тестов, включая MATH-500, GPQA-Diamond и AIME-24; они отражают оценки авторов модели. Модель распространяется в формате safetensors, поддерживает интерфейс вызова инструментов и выпущена по лицензии Apache-2.0. В README отмечены уязвимость к состязательным атакам и prompt injection, возможность утечки данных, смещения по областям и потеря части тонких способностей исходной модели при дистилляции. Качество может различаться в доменах, недостаточно представленных в обучающих данных.

ZEUS 8B V27 — языковая модель, созданная автором репозитория T145 слиянием нескольких моделей через mergekit и метод DARE TIES. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct; в слияние также вошли модели Skywork, HuatuoGPT, SuperNova Lite, SauerkrautLM, Lexi Uncensored и Storm. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогов. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Модель подходит для диалоговых приложений и генерации ответов по инструкциям. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH; эти оценки не гарантируют качество на конкретных пользовательских задачах. Языки, на которых модель специально оптимизирована, в предоставленных данных не обозначены. Лицензия в предоставленной карточке и метаданных отсутствует, поэтому условия использования здесь определить нельзя.

Модель senaro/atlasv25-oss20b-bf16 разработана senaro и представляет собой дообученную языковую модель семейства gpt_oss с архитектурой MoE. Она основана на senaro/atlasv25-trm-gptoss-20b-unsloth; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и диалогового общения; также заявлен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Метаданные указывают 1,6 млрд параметров, английский язык и задачу text-generation. Данных о специальных предметных областях или дополнительных модальностях нет.

bahith-arabic-retrieval-4b — текстовая модель эмбеддингов для поиска релевантных арабских фрагментов по запросу, созданная дообучением Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска, извлечения документов и построения RAG-систем на арабских корпусах. В карточке приведены результаты оценки на арабских задачах поиска: модель показывает nDCG@10 0,7971 на MIRACLRetrievalHardNegatives и поддерживает сравнение эмбеддингов по косинусному сходству. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов по метаданным. README указывает максимальную длину последовательности 512 токенов и размер эмбеддинга 2560 измерений; благодаря Matryoshka Representation Learning вектор можно сокращать до 1024, 512, 256 или 128 измерений. Встроенный инструктивный шаблон применяется для запросов, а для документов отдельный шаблон не задан. Модель рассчитана прежде всего на современный стандартный арабский язык; диалекты представлены ограниченно. Лицензия — Apache-2.0.

Карточка модели katanemo/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

ctrlbuzz/bert-addresses — модель на базе BERT, дообученная разработчиком ctrlbuzz для распознавания имен людей, организаций и адресов в тексте. Она присваивает метки токенам: O, B-ORG, I-ORG, B-PER, I-PER, B-addr и I-addr; для обучения использовались объединенные данные CoNLL, OntoNotes 5 и созданный автором набор адресов. Модель предназначена для извлечения сущностей из текста, в частности адресов в США, а также имен и организаций. Модель имеет 135,5 млн параметров, архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Это модель Gherman для распознавания именованных сущностей в русскоязычном тексте. Она создана дообучением многоязычного энкодера BERT google-bert/bert-base-multilingual-cased и содержит около 205,1 млн параметров. Модель использует архитектуру BertForTokenClassification и принимает текст длиной до 512 токенов. Модель размечает имена и фамилии людей, отчества, а также географические названия: страны, регионы, города, районы, улицы и номера домов. Она предназначена для извлечения информации, анализа содержания и предварительной обработки текста для последующих NLP-задач; разметка выполняется в формате BIOLU. В карточке сообщается F1 0,988 на оценочном наборе, однако качество может меняться в зависимости от тематики и стиля текста. Модель распространяется по лицензии MIT. Она может хуже распознавать редкие или сложные имена и наследовать смещения обучающих данных; результаты следует проверять, особенно в приложениях, затрагивающих людей.

Модель learnrr/bert-base-ontonotes5-ner — англоязычная BERT-base-cased, дообученная на английской части набора OntoNotes 5.0 (CoNLL-2012) для распознавания именованных сущностей. Она размечает токены в тексте и распознаёт 18 типов сущностей, включая имена людей и организаций, географические названия, даты, суммы, события и произведения. Архитектура — BertForTokenClassification, размер — 135,5 млн параметров, формат весов — Safetensors, максимальная длина контекста — 512 токенов. Модель подходит для извлечения сущностей из англоязычных текстов и их последующей структуризации. В README приведены результаты на тестовой части OntoNotes 5.0, но показаны лишь отдельные классы, поэтому по карточке нельзя оценить качество на всех типах сущностей или на данных из других областей. Модель распространяется по лицензии MIT.

Карточка модели jackhsuster/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

soichisumi публикует версию BAAI/bge-reranker-v2-m3, преобразованную для MLX и квантованную до 8 бит методом affine с размером группы 64. Модель основана на XLM-RoBERTa с архитектурой классификатора последовательностей и содержит 658,7 млн параметров; указанный в карточке объём файлов — 607 МБ. Она оценивает релевантность пары «запрос — фрагмент» и подходит для переранжирования результатов поиска. Модель многоязычная, с контекстом до 8194 токенов. В README приведена проверка на 30 запросах и 897 парах из набора mteb/scidocs-reranking: Kendall τ составила 0,9797, а изменение nDCG@10 — −0,0002; автор характеризует результат как практически без потерь. Это ограниченная оценка на одном наборе данных, поэтому она не гарантирует аналогичное качество на других доменах и языках. Лицензия — Apache-2.0.

ColBERTv2 — модель поиска по текстовым коллекциям, разработанная командой ColBERT и представленная в статье ColBERTv2. Она предназначена для быстрого извлечения релевантных фрагментов и поиска passages по запросам, в том числе в крупных корпусах. Контрольная точка обучена на задаче ранжирования фрагментов MS MARCO Passage Ranking. Модель основана на BERT и использует позднее взаимодействие: отдельно кодирует запрос и каждый фрагмент в матрицы контекстных векторных представлений токенов, а затем сопоставляет их оператором MaxSim. В репозитории указаны 136,7 млн параметров и контекст до 512 токенов; модель рассчитана на английский язык. Для поиска нужно заранее индексировать коллекцию; скорость и качество выдачи можно регулировать параметрами поиска. Доступны форматы PyTorch, ONNX и Safetensors. ColBERTv2 подходит для поиска passages и построения компонентов retrieval в системах ответов на вопросы и RAG. Она выдаёт векторные представления и оценки релевантности, а не готовые текстовые ответы. Репозиторий распространяется по лицензии MIT.

ColPali v1.2 — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B. Она кодирует текстовые запросы и изображения страниц в наборы векторов и сопоставляет их методом позднего взаимодействия ColBERT. Модель предназначена прежде всего для поиска релевантных страниц в PDF и других визуально представленных документах, в том числе когда важны макет, графики и расположение текста. Чекпойнт дообучен на 127 460 парах «запрос — страница»: англоязычных академических данных и синтетических примерах страниц веб-документов. Обучающий набор был полностью на английском; многоязычные данные могли присутствовать в предобучении базовой модели. Репозиторий содержит веса safetensors и версию для Transformers; карточка также описывает использование через Sentence Transformers. Лицензия — Gemma. Модель особенно подходит для поиска по страницам PDF и может обобщаться на другие языки, однако её применимость к редким языкам и нетипичным форматам документов может быть ограничена. Для поиска требуется поддержка многовекторного представления и позднего взаимодействия, что может потребовать адаптации инфраструктуры векторного поиска.

ColPali v1.3 HF — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B и стратегии ColBERT. Эта версия предназначена для загрузки через Transformers или Sentence Transformers; веса преобразованы из чекпойнта vidore/colpali-v1.3-merged. Модель формирует многовекторные представления страниц и текстовых запросов, чтобы находить релевантные страницы по их визуальному содержимому. Подходит для поиска по PDF и другим документам с визуально значимой структурой: например, когда важны таблицы, схемы или расположение элементов. Обучение проводилось на англоязычных парах «запрос — страница»; README сообщает о проверке переноса на другие языки, однако основное внимание уделено языкам с большими ресурсами. Для воспроизведения обученного формата запросов в Transformers нужно установить префикс «Query: » у процессора. Лицензия — Gemma; применяются условия лицензии Gemma.

Citaman/command-r-2-layer — слитая языковая модель на архитектуре Cohere, созданная автором репозитория с помощью mergekit. В неё включены слои модели Citaman/command-r-3-layer; использован метод SLERP. Метаданные описывают модель как дообучение этой базовой модели, а карточка указывает на слияние её слоёв. Модель предназначена для генерации текста и диалоговых сценариев, включая интерфейс вызова инструментов. Она содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Указан формат safetensors и библиотека Transformers. Данные не сообщают целевые языки или специальные прикладные области, поэтому модель следует рассматривать как универсальную. Лицензия в предоставленных сведениях не указана; качество и надёжность ответов отдельно не описаны.

Confucius4-R2T2 — модель распознавания речи в реальном времени от NetEase Youdao, дообученная на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для потоковой и офлайн-транскрибации: выдаёт текст по мере поступления аудио и фиксирует уже выведенные фрагменты, не пересматривая их. Размер модели — 1,7 млрд параметров; архитектура — плотная Qwen3-ASR. Модель поддерживает настраиваемые интервалы декодирования от 80 мс до 2 с; в README заявлена средняя задержка 200–600 мс. Модель рассчитана прежде всего на китайскую и английскую речь, а также поддерживает ряд других языков, включая русский. Она подходит для субтитров и расшифровки в реальном времени, а также для передачи распознанного текста в NLP-системы и голосовых агентов. Доступны бэкенды vLLM и Hugging Face Transformers, а также подсказки с контекстом и ключевыми словами. README сообщает о высокой точности, но приведённые таблицы результатов опущены, поэтому независимо оценить эти заявления по карточке нельзя. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.