I.14Автоматизация процессов и AI-агенты

stojchet/d5 — дообученная модель на 1,3 млрд параметров на основе deepseek-ai/deepseek-coder-1.3b-base, обученная на датасете generator. Она использует плотную архитектуру семейства Llama и предназначена для генерации и продолжения кода. Модель принимает текстовые запросы и выдаёт текст, включая фрагменты кода; контекст составляет до 16 384 токенов. Модель подходит для автодополнения кода и генерации кода по текстовому описанию. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке и сопутствующих документах модели.

Darmm Multilingual Embedding — модель эмбеддингов Darmm, дообученная на базе BAAI/bge-m3 для поиска по FAQ и материалам о продуктах и услугах Darmm. Это плотная модель архитектуры XLM-RoBERTa размером 658,7 млн параметров; она принимает текст и выдаёт векторные представления для семантического поиска и извлечения релевантных документов. Контекст модели — до 8194 токенов по метаданным; в описанной настройке обучения максимальная длина последовательности составляла 128 токенов. Модель рассчитана на казахский, русский и английский языки и может использоваться для поиска по базе знаний и в RAG-сценариях. В оценке на 90 перефразированных FAQ-запросах к корпусу из 369 чанков указаны Recall@1 0,9444 и Recall@3/5/10 1,0. Эти результаты получены на ограниченном корпусе Darmm и не гарантируют такую же точность на других данных. Короткие строки интерфейса и качество корпуса могут снижать релевантность; README рекомендует проверять модель на реальных запросах и отдельной тестовой выборке. Лицензия — Apache-2.0.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-14B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели xiaozhibro/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DeepSeek-R1-Distill-Qwen-7B-abliterated — дообученная языковая модель на архитектуре Qwen2, созданная Orion-zhen с помощью abliteraton. Она предназначена для диалогов и генерации текста; унаследованная базовая модель DeepSeek-R1-Distill-Qwen-7B ориентирована на многошаговые рассуждения, в том числе по математике и программированию. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В репозитории представлены веса safetensors, а метаданные отмечают интерфейс для вызова инструментов. Модель поддерживает английский и китайский языки. README не сообщает результатов оценки качества или подробностей обучения; название указывает на применение abliteration, но не описывает его эффект. Лицензия — GPL-3.0.

DeepSeek-V4-Flash-0731-Pruned-155B-A13B-GGUF — неофициальная производная модель, созданная сообществом на основе DeepSeek-V4-Flash-0731 и GGUF-сборки Unsloth. Она не выпущена и не одобрена DeepSeek. Модель предназначена для генерации текста и локального запуска через llama.cpp, прежде всего на Apple Silicon с 64 ГБ памяти, включая сценарии агентного программирования и задач SWE-bench. Это MoE-модель примерно со 155,5 млрд параметров и около 13 млрд активных параметров на токен. В 40 основных MoE-слоях число маршрутизируемых экспертов сокращено с 256 до 128, а первые три hash-слоя сохраняют все 256 экспертов. Веса представлены в квантизации IQ3_XXS; используется GGUF. Основная сборка требует специальной модификации llama.cpp, тогда как альтернативная ZP256 совместима с обычной версией llama.cpp, но работает медленнее. Для ускорения поддерживается speculative decoding с отдельной моделью DSpark. Главное преимущество — возможность полностью разместить основную сборку на GPU 64-гигабайтного Mac mini M4 Pro и получить существенно более высокую скорость по сравнению с частичной выгрузкой исходной модели: до 21,2 токена в секунду при коротком контексте и 14,3–16,6 токена в секунду при агентном контексте 8–32 тыс. токенов. На подмножестве SWE-bench Verified из 100 задач модель решила 77,5% задач против 84,0% у официальной FP8-версии, поэтому pruning сопровождается заметным снижением качества. Калибровочная imatrix исходной модели отдельно для обрезанной версии не проверялась. Лицензия — MIT. Для работы основной сборки требуются совместимые патченные llama.cpp и настройка лимита выделяемой GPU-памяти macOS; заявленная производительность относится к конкретной конфигурации Mac mini M4 Pro 64 ГБ и может отличаться на другом оборудовании.

DoDataThings разработала DistilBERT US Bank Transaction Classifier v2 — дообученную модель DistilBERT для отнесения описаний банковских операций США к 17 категориям расходов и доходов. На вход подаются описание транзакции и префикс [debit] или [credit], обозначающий движение денег относительно счёта; модель возвращает категорию и оценку уверенности. Версия v2 расширяет охват торговых точек, учитывает восемь форматов выписок и поддерживает PayPal как отдельный формат. Модель предназначена для автоматической категоризации операций по счетам checking, savings и кредитным картам, а также для обработки выписок разных американских банков. Она использует архитектуру DistilBertForSequenceClassification, поддерживает английский язык, а её контекст ограничен 512 токенами. В репозитории есть экспорт ONNX; лицензия — Apache-2.0. В README указана точность 96,1% для классификаций с уверенностью не ниже 0,90 на выборке примерно из 2 000 реальных транзакций; заявленная точность 99,9% получена на синтетических данных. Слабее всего классифицируется категория Shopping из-за пересечения с подписками и продуктами. Для корректной работы нужен префикс направления операции; неизвестные торговые точки и форматы банков могут снижать качество. Авторы рекомендуют дополнять модель правилами для известных продавцов и классификацией по типу счёта.

DMetaSoul разработала Dmeta-embedding-zh-small — компактную китайскоязычную модель для получения текстовых эмбеддингов. Это дистиллированная версия Dmeta-embedding-zh на архитектуре BERT из 8 слоёв; в метаданных указаны 91,7 млн параметров и контекст до 1024 токенов. Модель предназначена для поиска, семантического сопоставления текстов, вопросно-ответных систем, интеллектуальной поддержки клиентов и приложений с RAG. Её можно загружать через Transformers, Sentence-Transformers и LangChain. По сравнению с исходной моделью размер уменьшен примерно на треть, а скорость вывода в приведённом тесте выросла примерно на 30%; средний результат MTEB снизился примерно на 1,4 пункта, с наибольшими потерями в задачах поиска и семантического сходства. Модель принимает текст и выдаёт векторные представления. Распространяется по лицензии Apache-2.0.

dots.mocr-svg — вариант модели dots.mocr, разработанный командой dots.mocr и оптимизированный для преобразования изображений в SVG-код. Это плотная авторегрессионная модель семейства dots_ocr на 1,5 млрд параметров с контекстом до 131 072 токенов; она принимает визуальный ввод и генерирует текстовое представление результата. Модель предназначена для разбора документов и структурированной графики, включая диаграммы, макеты интерфейсов и научные иллюстрации, а также для распознавания, семантического понимания и диалоговой работы с изображениями. Её можно применять для преобразования графики в SVG, извлечения структуры и текста из документов, распознавания элементов макета и подготовки Markdown-представления содержимого. В README отмечены ограничения при извлечении сложных таблиц и формул, а также случаи неустойчивого разбора графики и редкие сбои обработки. Модель опубликована под лицензией MIT.

DoubleTrouble — мультимодальная плотная модель семейства Qwen3.5, созданная OliviaRossi слиянием двух дообученных моделей Qwen: DavidAU/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-L-Uncensored и Jackrong/Qwopus3.8-27B-Flash. Карточка указывает размер 27,5 млрд параметров, 64 слоя и архитектуру Qwen3_5ForConditionalGeneration; модель распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для диалоговой генерации текста, рассуждений, творческих и технических задач, быстрого применения инструментов и агентных сценариев. В README заявлены мультимодальность и поддержка длительных контекстов, однако конкретная длина контекста и подробности обработки изображений не приведены. Автор сообщает, что удалил вспомогательный слой MTP и настроил слияние для сохранения характеристик исходных моделей; это заявления карточки, а не независимая оценка качества или совместимости. Модель рассчитана прежде всего на английский и китайский языки. Её отличительные заявленные свойства — сочетание творческой генерации и агентного исполнения, а также ослабление отказов. Это может приводить к выдаче нежелательного или небезопасного контента. Лицензия — Apache-2.0.

OmarAlsaabi/e5-base-mlqa-finetuned-arabic-for-rag — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для сценариев поиска по арабским вопросам и документам MLQA. Она преобразует предложения и абзацы в плотные векторы размерности 768, подходящие для семантического поиска, ранжирования по сходству и кластеризации. Модель содержит около 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для поиска релевантных фрагментов в RAG-системах и сопоставления арабоязычных запросов с текстами. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

Elita-0.1-Distilled-R1-Abliterated — текстовая генеративная модель на базе DeepSeek-R1-Distill-Qwen-7B, дообученная prithivMLmods на данных для рассуждений по цепочке мыслей. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; заявленная длина контекста — 131 072 токена. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для следования инструкциям, многошаговых рассуждений, логических задач, ответов на вопросы и создания связных объяснений. Её можно применять в виртуальных помощниках, образовательных инструментах, автоматизации, подготовке сводок и отчётов. В карточке указана английская локаль; иных языков README и метаданные не подтверждают. Модель распространяется по лицензии Apache-2.0. Среди ограничений автор отмечает риск фактических ошибок и предвзятости, слабые результаты в узкоспециализированных областях и зависимость качества ответа от ясности запроса. Для запуска требуются значительные вычислительные ресурсы; оптимизация для развёрнутых рассуждений может быть менее подходящей для простых задач.

jasperan/embeddinggemma-code-search — дообученная модель эмбеддингов на базе google/embeddinggemma-300m для семантического поиска по коду. Она обучалась на graded retrieval traces из сессий coding-агента: запросы на естественном языке сопоставлялись с фрагментами кода, размеченными по степени релевантности. Модель предназначена для поиска нужных функций и фрагментов в кодовой базе по описанию задачи или намерения. Модель использует плотную текстовую архитектуру Gemma 3 и библиотеку Sentence Transformers; содержит 302,8 млн параметров и принимает до 2048 токенов. Поддерживает Matryoshka-эмбеддинги с усечением до 128, 256 или 768 измерений, что позволяет выбирать баланс между качеством поиска и стоимостью индекса. В README приведены результаты на отложенных запросах по recall@5: после дообучения качество выросло на всех указанных размерностях, особенно при усечении до 128 измерений. Модель принимает текстовые запросы и фрагменты кода и выдаёт эмбеддинги для поиска по близости; метаданные также указывают задачу sentence-similarity. README описывает эксперимент на одной реальной Python-кодовой базе и не подтверждает качество на других корпусах или языках программирования. Лицензия — Gemma.

Карточка модели FuseAI/FuseO1-DeepSeekR1-Qwen2.5-Instruct-32B-Preview на Hugging Face совпадает с карточкой FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview, поэтому описание составлено по ней. FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

Geneva 12B GammaCorpus v2-50k — разговорная модель, разработанная Ruben Roy и дообученная на Mistral-Nemo-Instruct-2407 с использованием корпуса GammaCorpus v2-50k, содержащего структурированные многоходовые диалоги. Она предназначена для генерации текста, диалогов и следования инструкциям; в метаданных также указана поддержка интерфейса вызова инструментов. Модель построена на архитектуре Mistral с плотной причинной языковой моделью и содержит 12,1 млрд параметров. README указывает 40 слоёв, размерность 5120, SwiGLU, GQA и словарь примерно на 128 тысяч токенов. Заявленная в метаданных длина контекста — 1 024 000 токенов. Указаны английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Модель распространяется в формате safetensors через Transformers по лицензии Apache 2.0. README предупреждает о возможности предвзятых ответов; заявленное стремление превзойти модели аналогичного размера не подкреплено в карточке результатами сравнительной оценки.

Granite Guardian 3.2 5B — модель IBM Research для выявления рисков в запросах, ответах и диалогах с ИИ. Это разреженная версия Granite Guardian 3.1 8B: при итеративном удалении и восстановлении параметров было удалено около 30% исходных параметров. Модель содержит 5,8 млрд параметров, использует архитектуру GraniteForCausalLM и принимает текст, формируя текстовый ответ. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для проверки вредоносного контента, предвзятости, попыток обхода ограничений, насилия, ненормативной лексики, сексуального контента и иных рисков. В RAG-сценариях она оценивает релевантность найденного контекста, соответствие ответа контексту и релевантность ответа запросу. В агентных системах может выявлять синтаксические и смысловые ошибки вызовов функций и связанные с ними галлюцинации. Для риск-оценки модель следует применять в предусмотренном шаблоном режиме, получая ответы «да» или «нет». README сообщает о конкурентных результатах на стандартных бенчмарках, но не приводит их полную таблицу для этой версии. Модель может давать неожиданные или небезопасные результаты при использовании вне предписанного режима и быть уязвима к состязательным атакам. Лицензия — Apache 2.0.

Hermes-2 Θ (Theta) — экспериментальная объединённая и дополнительно обученная модель Nous Research, созданная совместно с Charles Goddard из Arcee. В основе лежит Hermes-2-Pro-Llama-3-8B: веса объединены с Meta Llama 3 Instruct, после чего модель дополнительно обучали с помощью RLHF. Это плотная причинно-языковая модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена. Модель предназначена для диалогов и выполнения инструкций на английском языке. Она поддерживает формат ChatML, многоходовое общение, вызов функций и генерацию структурированных ответов в JSON. Репозиторий содержит веса safetensors; для запуска описан пример с Transformers. В карточке приведены результаты оценок на нескольких наборах тестов, но они не гарантируют качество в конкретных сценариях. Модель распространяется по лицензии Apache-2.0. Практические ограничения: карточка называет её экспериментальной; вызовы инструментов нужно самостоятельно разбирать и исполнять в коде приложения. Указанная в README рекомендация LM Studio относится к квантованным версиям и не обещает поддержку вызова функций в этом интерфейсе.

HikmaAI DistilBERT PII NER — модель HikmaAI на базе DistilBERT, дообученная для обнаружения персональных данных в тексте. Она выполняет токенную классификацию с BIO-разметкой и распознаёт 17 типов сущностей, включая имена, фамилии, даты рождения, финансовые и контактные данные. Модель обучена на датасете ai4privacy/pii-masking-400k для английского, итальянского, французского, немецкого, испанского и нидерландского языков; максимальная длина последовательности — 512 токенов. Модель подходит для локального выявления PII в системах защиты данных и шлюзах безопасности ИИ. Она выделяет фрагменты и типы сущностей, а прикладная система может использовать результаты для подсчёта, маскирования или фильтрации данных. Доступны веса safetensors и формат ONNX; README описывает динамическую INT8-квантизацию для ONNX Runtime. Лицензия — Apache-2.0. Ограничения: качество для языков, кроме шести языков обучения, не проверено; тексты длиннее 512 токенов нужно делить на фрагменты. Для хорошо структурированных значений, например адресов электронной почты, телефонов и номеров карт, регулярные выражения могут быть эффективнее; INT8-квантизация может немного снизить точность на сложных примерах.

HopCoder Mini 35B A3B VL36 Full-SFT GGUF — это конверсия и набор GGUF-квантовок модели TaimoorSiddiqui/HopCoder-Mini-35B-A3B-VL36-fullsft, разработанной TaimoorSiddiqui. Модель получила 400 шагов full fine-tuning и предназначена для запуска через llama.cpp, включая сценарии генерации текста, vision-language задач и агентских приложений с вызовами инструментов. Формат вызова инструментов использует JSON внутри тегов <tool_call>. Архитектура относится к классу mixture-of-experts (MoE) и обозначена как 35B A3B; точные параметры модальностей, размер контекста и языковая поддержка в README не указаны, за исключением английского языка в метаданных. Репозиторий содержит варианты от BF16 и F16 до различных квантовок Q2–Q8 и TQ2, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к ресурсам. Квантовки низкой точности IQ2_*, IQ3_*, IQ4_* и Q2_K_S отсутствуют, поскольку требуют importance matrix calibration, которая не применялась. Лицензия указана как other. Обучающий набор включает источники с лицензиями Apache-2.0, AGPL-3.0, MIT и other, поэтому производную модель нельзя автоматически считать распространяемой на условиях permissive-лицензии; условия использования следует проверять отдельно.

Модель mphank/hzk-agentic-8b-v2 — дообученная языковая модель семейства Qwen3, разработанная mphank на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для Hugging Face. Карточка не описывает специальные предметные области или подтверждённые ограничения качества; язык карточки и метаданные указывают на английский.

InkErase — модель для удаления рукописных чернил и пометок с изображений документов. Согласно карточке, модель разработана на архитектуре U-Net++ с кодировщиком ResNet-50 и принимает RGB-изображение, возвращая RGB-изображение с удалёнными чернилами. Для обработки крупных изображений предусмотрен скрипт разбиения на фрагменты с последующим объединением результата; размеры, не кратные 32, могут потребовать дополнения или изменения размера изображения. Модель предназначена для очистки сканов и фотографий документов от рукописных пометок. Веса опубликованы в формате SafeTensors, а исходный чекпойнт PyTorch Lightning можно использовать для продолжения обучения или воспроизведения экспериментов. В метаданных Hugging Face указано дообучение microsoft/resnet-50 и лицензия Apache-2.0; README при этом указывает MIT, поэтому условия лицензирования требуют сверки с файлами репозитория.

K2-Horizon-32B MLX 6-bit — 6-битная квантизованная версия плотной авторегрессионной языковой модели IFM/K2-Horizon-32B, подготовленная hermitdave для запуска на компьютерах Apple Silicon через MLX. Модель содержит 31,2 млрд параметров по метаданным, а README описывает исходную архитектуру как декодер с 64 слоями. Заявленная длина контекста — 524 288 токенов. Модель предназначена для генерации текста, диалогов, рассуждений и агентных задач; карточка характеризует исходную модель как reasoning-модель и приводит результаты нескольких бенчмарков. Квантование уменьшает объём весов примерно до 24 ГБ, что, согласно README, позволяет запускать модель на устройствах Apple Silicon с 64 ГБ памяти. Для использования указаны MLX и mlx-lm; README также сообщает о необходимости патча oMLX версии 0.6.4 или новее для поддержки типа модели и формата вызовов инструментов. Это чекпойнт Stage 1; автор README сообщает, что ожидается финальный чекпойнт с улучшенными результатами. Модель выпущена по лицензии Apache-2.0. Данные о поддерживаемых естественных языках в источниках не приведены.

bark07/kanana-1.5-8b-instruct-2505-Persona-Merged — дообученная разработчиком bark07 диалоговая текстовая модель на архитектуре Llama, основанная на kakaocorp/kanana-1.5-8b-instruct-2505. Она предназначена для генерации текста в формате диалога; исходная модель также поддерживает программирование, математику и вызов инструментов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель опубликована в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. Карточка не описывает отдельные характеристики обучения Persona или сравнительные результаты.

Kavach PII 270M v2 — компактная текстовая модель на 257 млн параметров, разработанная автором репозитория inboxpraveen на основе дообучения Google Gemma 3 270M IT. Она извлекает персональные данные из документов и возвращает найденные значения списком JSON. Модель предназначена для автоматизации обнаружения и последующего обезличивания PII в расшифровках звонков, результатах OCR, формах, чатах, коде и журналах; заявлена поддержка 29 языков. Это генеративная архитектура Gemma3ForCausalLM с контекстом до 32 768 токенов; модель принимает текст и выдаёт текст. В карточке сообщается о value-F1 88,4 на исходном тестовом наборе v2, а также о низкой доле ложных срабатываний на документах без PII. Результаты v2 уступают актуальной v3 на исправленном тестовом наборе; автор также отмечает, что небольшие окна контекста ухудшают качество, длинные входы лучше обрабатывать с перекрывающимися окнами, а модель возвращает значения, но не их позиции в исходном тексте. Репозиторий распространяется по лицензии Gemma; для извлечения позиций предлагается отдельная утилита, которая сопоставляет найденные значения с исходным текстом.

Карточка модели KeefeBuild/Keefe-Discere-v3.1-Final на Hugging Face совпадает с карточкой KeefeBuild/Keefe-Discere-v3.1, поэтому описание составлено по ней. KeefeBuild/Keefe-Discere-v3.1 — дообученная KeefeBuild языковая модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Веса сохранены в формате safetensors. По карточке, модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Она дообучена от KeefeBuild/Keefe-Discere-v3.0-Final и распространяется по лицензии Apache-2.0.

Карточка модели Sheraz11222333/LFM2.5-VL-3B на Hugging Face совпадает с карточкой unsloth/LFM2.5-VL-3B, поэтому описание составлено по ней. LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

LightOn-rerank-LW-4B — мультимодальная модель-реранкер от LightOn для повышения релевантности результатов поиска. Это генеративный listwise cross-encoder на базе Qwen/Qwen3.5-4B с гибридной архитектурой линейного и полного внимания; модель содержит около 4,5 млрд параметров и опубликована в формате bfloat16 весов Safetensors. Она совместно дообучена на текстовых фрагментах и изображениях страниц документов. На вход модель принимает текстовый запрос и до четырёх кандидатов — текстовых отрывков или изображений страниц PDF, слайдов и сканов. Она генерирует порядок кандидатов; для больших наборов применяется скользящее окно размером 4 с шагом 2. Реранкер предназначен для второго этапа поискового конвейера после BM25, плотного поиска или ColPali-подобного извлечения. В описанном протоколе ViDoRe V3 модель показала nDCG@10 64,69 и превзошла указанный в карточке Qwen3-VL-Reranker-8B. Модель обучалась на английских данных; французский поддерживается благодаря переносу с многоязычной базовой модели, но качество в среднем немного ниже английского. Listwise-декодирование на версии 4B требует существенно больше времени: при переранжировании 100 кандидатов оно примерно в пять раз медленнее pointwise-модели 2B. Для запуска README указывает transformers версии 5.4.0 или новее и необходимость добавить пустой thinking-блок перед генерацией. Лицензия — Apache-2.0.

Llama-3.1-8B-MagPie-Ultra — плотная языковая модель с архитектурой LlamaForCausalLM, дообученная Argilla Warehouse на наборе argilla-warehouse/magpie-ultra-v1.0. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель основана на meta-llama/Llama-3.1-8B и распространяется в формате safetensors по лицензии Llama 3.1. В README приведено значение loss 0,5915 на оценочном наборе, но подробности об оценке, обучающих данных и ограничениях не раскрыты. Языки и специальные прикладные области для этой производной модели не уточнены.

LLaMa-3.1-Zeroed-30-70-13B — объединённая языковая модель семейства Llama, созданная сообществом mergekit-community методом линейного слияния двух моделей: LLaMa-3.1-Zeroed-13B с весом 0,3 и LLaMa-3.1-Instruct-Zeroed-13B с весом 0,7. Модель содержит 12,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогов по инструкциям; в метаданных также указана поддержка интерфейса вызова инструментов. Контекст составляет до 131 072 токенов. README не приводит дополнительных сведений о языках, качестве на конкретных задачах или условиях лицензии, поэтому их нельзя уточнить по предоставленным данным.