I.14Автоматизация процессов и AI-агенты

PP-OCRv5_mobile_det — мобильная модель обнаружения текста из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях для использования в OCR-конвейерах, анализе документов, распознавании номерных знаков и обнаружении текста в сценах. Модель рассчитана на печатный и рукописный текст на упрощённом и традиционном китайском, английском и японском языках. Она предназначена для работы с вертикальным, повёрнутым и изогнутым текстом, разными размерами надписей и сложным фоном. Это модуль обнаружения текста: для получения распознанного текста его сочетают с отдельной моделью распознавания. Модель доступна под лицензией Apache-2.0 и предназначена для использования через библиотеку PaddleOCR. В README приведены метрики точности на наборах сценариев, включая рукописный и печатный текст, поворот, искажения и художественные надписи; среднее значение в таблице составляет 0,770. Размер модели и ограничения по аппаратному обеспечению в предоставленных сведениях не описаны.

PP-OCRv5_server_det_onnx — модель обнаружения текстовых областей PP-OCRv5, разработанная командой PaddleOCR/PaddlePaddle и представленная в формате ONNX для запуска через ONNX Runtime. Она определяет расположение строк текста на изображениях, но не выполняет их распознавание в символы. Модель предназначена для анализа документов и изображений со сложной структурой, включая рукописный, вертикальный, повёрнутый и изогнутый текст, различные размеры текста и неоднородный фон. Возможные сценарии включают предварительное обнаружение текста для OCR-конвейеров, анализ документов, распознавание текста на номерных знаках и обнаружение текста в естественных сценах. Заявленная поддержка охватывает упрощённый и традиционный китайский, английский и японский языки. В README приведены средние показатели качества 0,827 по набору сценариев, включая рукописный и печатный текст, повороты, искажения и художественный текст. Модель распространяется под лицензией Apache-2.0 и использует библиотеку PaddleOCR; для запуска ONNX-версии требуется совместимый ONNX Runtime.

PP-OCRv6_medium_det — модель обнаружения текстовых областей на изображениях из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации строк текста в OCR-конвейерах и может применяться к печатному и рукописному тексту, повёрнутым, изогнутым и художественно оформленным надписям, а также к изображениям промышленных сцен. Модель использует архитектуру LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; в README указан размер 15,5 млн параметров. В описании семейства заявлена поддержка 48 языков и сценариев вроде цифровых дисплеев, точечно-матричной печати и маркировки на шинах; метаданные карточки указывают английский и китайский языки. Модель является частью лёгкой линейки, рассчитанной на развёртывание в разных условиях. Для использования указана лицензия Apache-2.0. Поскольку это детектор, он локализует текст, но сам по себе не распознаёт содержимое строк.

Карточка модели matterinys/privacy-filter на Hugging Face совпадает с карточкой openai/privacy-filter, поэтому описание составлено по ней. OpenAI Privacy Filter — модель OpenAI для обнаружения и маскирования персональных данных в тексте. Она предназначена для высокопроизводительной очистки данных, в том числе в локальных и браузерных сценариях, и может дообучаться под особенности данных организации. Лицензия Apache 2.0 допускает коммерческое использование. Модель выполняет двунаправленную классификацию токенов и выделяет связные фрагменты в одном проходе. Архитектура — разреженный MoE-трансформер с 8 блоками, шириной скрытого представления 640 и 128 экспертами, из которых на токен выбираются 4. Модель возвращает BIOES-разметку для восьми категорий: номера счетов, частные адреса, электронные адреса, имена людей, телефоны, URL, даты и секреты. В метаданных указано 145,4 млн параметров и контекст 131 072 токена; README заявляет окно до 128 000 токенов. Доступны форматы Safetensors и ONNX. Модель подходит для предварительной фильтрации текстов перед хранением, передачей или дальнейшей обработкой. Пороговые режимы позволяют настраивать компромисс между точностью и полнотой обнаружения. Это вспомогательное средство минимизации данных, а не гарантия анонимизации или соответствия требованиям. Набор меток фиксирован, для изменения политики нужно дообучение; качество может снижаться на неанглийских текстах, нелатинских письменностях и данных вне обучающего распределения. В чувствительных областях возможны как пропуски, так и избыточное маскирование.

Qwark-4B — языковая модель на архитектуре Qwen2, опубликованная пользователем qingy2024 и основанная на дообучении Qwen/Qwen2.5-3B. Она предназначена для генерации текста и диалогового взаимодействия; интерфейс модели также поддерживает вызов инструментов. Модель содержит 4,5 млрд параметров и рассчитана на контекст до 32 768 токенов. В метаданных перечислена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Модель размещена в формате safetensors и использует библиотеку Transformers. README не приводит сведений о специальных целевых областях или результатах оценки качества. Условия лицензии в предоставленных данных не указаны.

Thamed-Chowdhury/qwen-2.5-7B-DPO-split1-16bit-chunk34 — дообученная диалоговая модель семейства Qwen2, разработанная Thamed-Chowdhury на основе Thamed-Chowdhury/qwen-2.5-7B-DPO-split1-16bit-chunk12. Модель с архитектурой Qwen2ForCausalLM содержит 7,1 млрд параметров и предназначена для генерации текста в диалогах; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке заявлено обучение с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Подтверждённый язык карточки — английский.

ehristoforu/qwen2.5-7b-upscaled — языковая модель для генерации текста и диалогов, созданная слиянием весов через mergekit методом passthrough на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для общения, генерации текста и использования интерфейса вызова инструментов. Модель построена на плотной архитектуре Qwen2 и содержит 11,3 млрд параметров; максимальный контекст — 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. README не сообщает оценок качества или конкретных улучшений относительно базовой модели. Лицензия в доступных данных не указана.

Qwen3-4B-Diversity — дообученная разговорная языковая модель от hadadxyz на базе Qwen/Qwen3-4B. Она ориентирована на пошаговые рассуждения и использует данные, дистиллированные из ответов различных крупных ИИ-моделей. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов; распространяется в формате safetensors. Модель предназначена для решения математических задач, генерации и анализа кода, общих задач на рассуждение и многоходовых диалогов. Карточка описывает обучение на разнообразных наборах данных с примерами рассуждений и рекомендует отдельные параметры генерации для режимов Thinking и Non-Thinking. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительной оценки, поэтому заявленные улучшения рассуждений не сопровождаются количественными бенчмарками; фактическое качество может различаться в зависимости от задачи.

alhparsa/qwen35-extract-tsv-v2 — дообученная модель семейства Qwen3.5 для извлечения фактов из изображений страниц медицинских документов, например приёмных и клинических записей. Она принимает изображения вместе с текстовыми инструкциями и выдаёт компактный TSV: контекстную строку с идентификационными данными пациента и строки с фактами, временными данными, тегами и оценкой уверенности. Модель может использовать только теги из списка, переданного во входном сообщении. README описывает полное выборочное дообучение Qwen3.5-9B и гибридную архитектуру с GatedDeltaNet, блоками полного внимания и зрительным модулем. Для обслуживания рекомендуются vLLM, длина контекста 32768 токенов и параметры обработки изображений из карточки; указаны также режимы ускоренного декодирования DFlash/MTP. По оценке авторов, на их проверке извлечение достигает примерно 98–100% полноты и около 100% точности после удаления дублей; заявленная скорость — 4,4–4,9 секунды на страницу на двух H100. Эти показатели относятся к проверке автора и не гарантируют такое же качество на других документах. Модель предназначена для извлечения структурированных сведений из медицинских документов, в том числе из многостраничных PDF после преобразования страниц в изображения. Для полноты авторы рекомендуют обрабатывать перекрывающиеся окна страниц и объединять результаты с последующим удалением смысловых дублей. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

RohitUltimate/Qwen3.5_VL_2B_12k — мультимодальная модель для преобразования изображений и текста в текст, дообученная на базе Qwen3.5-2B. Карточка указывает на настройку для извлечения данных из банковских выписок и улучшенное следование инструкциям и понимание изображений. Модель рассчитана на контекст до 12 000 токенов и запуск на GPU с объёмом видеопамяти менее 8 ГБ; для инференса описана поддержка vLLM и Transformers. Модель подходит для разбора изображений банковских выписок и извлечения из них структурированной информации в текстовом виде. В репозитории указана лицензия MIT. Заявления об улучшении качества приведены в карточке модели, но количественные результаты оценки не указаны.

OsaurusAI подготовила квантизированную сборку мультимодальной модели Qwen3.6-35B-A3B для запуска через MLX на устройствах Apple Silicon. Это MoE-модель с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; архитектура включает 40 слоёв, сочетая Gated DeltaNet и полное внимание, а также 256 маршрутизируемых экспертов и одного общего эксперта. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов; базовая модель также поддерживает видео, но README отмечает ограничения основного пути MLX для видео. Сборка использует JANGTQ4 для весов маршрутизируемых экспертов и 8-битную аффинную квантизацию для ряда остальных компонентов; башня зрения сохранена. Для загрузки нужен собственный JANGTQ runtime и файл jangtq_runtime.safetensors, а стандартный загрузчик mlx_lm не поддерживает упакованные веса. Модель ориентирована на локальный инференс, включая диалоги, анализ изображений и агентные сценарии; для комфортного запуска README рекомендует Mac с 32 ГБ объединённой памяти. Лицензия — Apache-2.0. Заявленные в README бенчмарки относятся к исходной модели, а не к этой квантизированной сборке.

Qwen3.8-27B-GGUF — набор квантизированных GGUF-версий базовой модели Qwen/Qwen3.8-27B, подготовленный пользователем vcruz305 для запуска через llama.cpp. Модель предназначена для локальной генерации текста и диалоговых сценариев, включая задачи с рассуждениями; для мультимодальных сценариев требуется отдельный файл mmproj. Поддерживаются английский и китайский языки. Указанный pipeline — text-generation. В основе используется 64-слойный языковой trunk архитектуры qwen35 с гибридом Gated DeltaNet; размер базовой модели — 27B параметров. Доступны квантизации от 2 до 8 бит размером примерно от 9,98 до 26,63 GiB. Версии Q2_K и Q3_K_M используют imatrix-квантизацию, остальные являются обычными K-quants. В файлах намеренно отсутствует MTP-голова для speculative decoding, что уменьшает требования к памяти, но исключает соответствующий режим ускорения. В README также заявлена поддержка контекста до 262 144 токенов при соответствующей конфигурации и аппаратных ресурсах. Сильные стороны набора — возможность запуска 27B-модели на видеокартах с 12, 16, 24 и 32+ GiB памяти, несколько вариантов компромисса между качеством и размером, а также исправленный chat template для корректной работы многошаговых агентов. Ограничения включают зависимость от достаточно новой версии llama.cpp с поддержкой qwen35, отсутствие встроенной vision-компоненты и MTP-головы, а также высокие требования к памяти для старших квантизаций и длинного контекста. Распространение заявлено по лицензии Apache-2.0, унаследованной от официальной модели Qwen.

QUASAR-QAT/Qwen3.8-27B-QUASAR-NVFP4 — 4-битная NVFP4-версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen и квантованной методом QUASAR. Модель предназначена для задач image-text-to-text, reasoning, работы с изображениями и текста, а также агентских и сценариев с длинным контекстом. Точный набор поддерживаемых языков в README не указан. Модель содержит 27 млрд параметров; все 496 из 496 линейных слоёв трансформера, включая компоненты attention и gated delta-net, представлены в формате NVFP4 W4A4. Размер модели составляет 19,7 ГБ. Она поддерживает контекст до 262 144 токенов при запуске через vLLM, а на видеокарте с 32 ГБ памяти, например RTX 5090, рекомендуется ограничить его 65 536 токенами. Для ускорения генерации заявлена поддержка speculative decoding с MTP. Ключевое преимущество — существенное уменьшение размера при сохранении качества, близкого к BF16-версии: результат GPQA-Diamond составляет 0,909 против 0,914 у оригинальной модели, а на AIME'26 заявлен результат 100%. Модель требует NVIDIA GPU с аппаратной поддержкой FP4, то есть Blackwell с compute capability 10.0 и выше, поэтому не подходит для систем без совместимого оборудования. Запуск возможен напрямую через vLLM без этапа конвертации. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-9B-Distill-uncensored-heretic-GGUF — GGUF-квантизированная версия модели Qwen3.8-9B-Distill, подготовленная пользователем petruhonk на базе empero-ai/Qwen3.8-9B-Distill. Модель подвергнута «abliteration» с помощью Heretic v1.4.0 для снижения числа отказов при ответах на запросы, которые исходная модель отклоняет. Она предназначена для генерации текста, диалоговых приложений, агентских сценариев и функционального вызова инструментов через llama.cpp. Модель содержит 9 млрд параметров, 33 блока и сохранённую MTP-голову для speculative decoding с режимом draft-mtp. В репозитории опубликованы только текстовые веса в формате GGUF, предположительно с квантизацией Q8_0; для запуска с мультимодальными возможностями необходим отдельный файл mmproj. Исходная архитектура поддерживает изображения и видео, однако данный репозиторий не содержит соответствующих компонентов. Встроенный шаблон чата поддерживает tools и <tool_call>, а пример запуска рассчитан на контекст до 32768 токенов. К сильным сторонам относятся сохранённая MTP-голова, совместимость со speculative decoding и существенно меньшее число отказов по сравнению с исходной моделью: 6 из 100 против 100 из 100 в указанном тесте. Ограничения включают неполную мультимодальную поставку, зависимость качества и потребления памяти от выбранной квантизации, а также возможные изменения поведения из-за abliteration; показатель KL-дивергенции относительно исходной модели составляет 0,0306. Модель распространяется по лицензии Apache-2.0.

Qwen-7B-QAnything — двуязычная instruction-tuned модель на базе Qwen-7B, подготовленная для QAnything. Карточка описывает запуск через FastChat с бэкендами Transformers и vLLM; метаданные указывают архитектуру QWenLMHeadModel и контекст до 8192 токенов. Модель предназначена для диалоговых сценариев QAnything и может использоваться в системах, которым нужны генерация ответов и извлечение признаков для RAG. В README заявлена поддержка двух языков, но их названия не приведены. Репозиторий содержит веса PyTorch. В метаданных указана лицензия Apache-2.0, тогда как README ссылается на Tongyi Qianwen Research License Agreement; условия следует сверить перед использованием.

Kaoeiri/Qwenwify2.5-32B-v4.5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе Qwen/QwQ-32B-Preview. В слияние DARE TIES также вошли Kaoeiri/Qwenwify-32B-v3, allura-org/Qwen2.5-32b-RP-Ink, Dans-DiscountModels/Qwen2.5-32B-ChatML, Saxo/Linkbricks-Horizon-AI-Japanese-Base-32B, OpenBuddy/openbuddy-qwq-32b-v24.2-200k и Sao10K/32B-Qwen2.5-Kunou-v1. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она предназначена для диалоговой генерации текста; каталог также отмечает интерфейс вызова инструментов. Максимальный контекст — 32 768 токенов. Модель работает с текстом на входе и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 допускает использование с соблюдением её условий, включая ограничения на коммерческое использование и распространение производных материалов. В карточке не описаны отдельные оценки качества или подробные языковые гарантии; теги указывают на контент не для всех аудиторий.

Rene-1 31B FP8 — плотная модель принятия решений Salfati Group на архитектуре Rene. Она за один проход читает текстовый документ вместе с набором заданных пользователем вопросов и возвращает вероятности для каждого варианта ответа; текст не генерируется. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале. В README заявлены сбалансированный результат 64,18 на 37 из 40 бенчмарков Decision Index 0.2 и медианная ошибка калибровки 0,046 на этих бенчмарках. Модель предназначена для классификации, маршрутизации и приоритизации документов, а также для проверки нескольких критериев и присвоения оценок с оценкой уверенности. FP8-веса позволяют запускать её на одной видеокарте; пакетная обработка поддерживает до 64 запросов и 65 536 упакованных токенов. README не сообщает длину контекста. Ввод изображений обозначен как экспериментальный: модель обучалась только на тексте, а ответы по изображениям не оценивались. Модель не объясняет свои ответы, а её калибровка заметно слабее на отдельных бенчмарках; также не проверена чувствительность к порядку и названиям вариантов. Для использования требуется Transformers и пакет compressed-tensors. Лицензия — Apache-2.0. README рекомендует передавать trust_remote_code=True, предварительно изучив код репозитория и зафиксировав его ревизию.

aiola/roberta-base-corener — многоцелевая модель на базе RoBERTa, предназначенная для распознавания именованных сущностей, извлечения отношений, обнаружения упоминаний сущностей и разрешения кореференции. Модель разработала aiola; в карточке описаны совместное обучение задач и правила построения кластеров кореферентных упоминаний. NER и обнаружение упоминаний реализованы как классификация текстовых фрагментов, а извлечение отношений и разрешение кореференции — как классификация пар фрагментов. Модель распознаёт типы сущностей, включая людей, организации, географические объекты, даты, суммы и события, а также отношения вроде «работает в», «живёт в» и «расположено в». Это англоязычная модель на 151,8 млн параметров с контекстом до 514 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В метаданных Hugging Face основная задача указана как заполнение пропусков (fill-mask), тогда как README описывает извлечение структурированной информации; поэтому поддержка этих прикладных задач в готовом интерфейсе Hugging Face не подтверждена метаданными.

Rombos-2.5-T.E-8.1 — объединённая модель генерации текста, собранная с помощью mergekit из rombodawg/Rombos-LLM-V2.5-Qwen-7b и Cran-May/T.E-8.1. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста; поддерживает формат ChatML и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Слияние выполнено методом SLERP с настройками весов для слоёв внимания и MLP; веса сохранены в формате safetensors. Карточка приводит результаты оценивания на IFEval и BBH. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое использование. Данных о поддерживаемых естественных языках и отдельных ограничениях качества карточка не приводит.

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера. Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0. Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

Карточка модели JetLM/SDAR-4B-Chat-b16 на Hugging Face совпадает с карточкой JetLM/SDAR-8B-Chat-b32, поэтому описание составлено по ней. JetLM/SDAR-8B-Chat-b32 — чат-модель семейства SDAR, разработанная авторами SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая обеспечивает эффективное обучение, а диффузионный подход позволяет генерировать токены параллельно. В репозитории указана плотная архитектура SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлен интерфейс вызова инструментов. Авторы сообщают о сопоставимой с сильными авторегрессионными моделями общей производительности и преимуществах в некоторых научных задачах рассуждения для моделей SDAR того же масштаба. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Языки и отдельные результаты именно этой версии в карточке не приведены.

JetLM/SDAR-4B-Chat-b32 — диалоговая языковая модель семейства SDAR, разработанная на основе сочетания авторегрессионного моделирования и дискретной диффузии. В репозитории указаны 3,7 млрд параметров, архитектура SDARForCausalLM и контекст до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации ответов в диалоге и других задач генерации текста. В карточке также заявлен интерфейс для вызова инструментов. SDAR сочетает обучение по авторегрессионной схеме с параллельным выводом на основе диффузии. Авторы сообщают о сопоставимых с сильными авторегрессионными моделями результатах на общих задачах и преимуществах на отдельных научных задачах рассуждения; эти выводы относятся к представленным в README экспериментам и не гарантируют таких результатов именно для этой версии 4B. Модель опубликована под лицензией Apache-2.0.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

SmolLM2-1.7B-Instruct-16k — компактная языковая модель HuggingFaceTB на 1,7 млрд параметров с архитектурой Llama и плотной трансформерной структурой. Это версия SmolLM2-1.7B-Instruct с контекстом до 16 384 токенов, опубликованная в формате safetensors и рассчитанная на работу через Transformers. Модель дообучили на 15 тысячах примеров из подмножеств SmolTalk, LongAlign и SeaLong, увеличив параметр RoPE с 100k до 500k. Модель предназначена для генерации текста и диалогов, следования инструкциям, переписывания и суммаризации текстов, а также вызова функций. Увеличенное окно контекста улучшает результаты на задачах с длинными входами, включая RAG, обучение на контекстных примерах, ранжирование и ответы на длинные вопросы; при этом в README отмечено небольшое снижение качества на коротком контексте. Модель ориентирована прежде всего на английский язык и может работать на устройствах с ограниченными ресурсами благодаря компактному размеру. По оценке авторов, возможны фактические ошибки, непоследовательные рассуждения и смещения из обучающих данных, поэтому важные ответы следует проверять. Лицензия — Apache-2.0.

chankhavu/smolmo-32b-sft-merged-proofpilot — это объединённая методом равномерного усреднения весов модель на базе OLMo 3, подготовленная автором репозитория из восьми последовательных контрольных точек одного запуска SFT. Усреднены снимки шагов 18 750–20 500; независимые дообученные модели не смешивались. Модель содержит 31,7 млрд параметров, использует плотную архитектуру Olmo3ForCausalLM, представлена в safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Усреднение хвостовых контрольных точек было применено как способ сгладить эффект незавершённого затухания скорости обучения, но автор указывает, что возможное улучшение обобщения следует проверять на отложенной оценке относительно финальной контрольной точки. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

Lucyfer1718/Spartan_v3 — языковая модель на архитектуре Llama, созданная слиянием методом SLERP моделей meta-llama/Meta-Llama-3-8B и meta-llama/Llama-3.1-8B-Instruct. Веса представлены в формате safetensors; модель содержит около 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на запросы и использование интерфейса вызова инструментов. Она работает с текстом; карточка указывает базовые многоязычные модели, но конкретный перечень языков для этого слияния не приведён. Условия лицензирования в предоставленных данных не описаны.

MiniMaxAI/SynLogic-Mix-3-32B — языковая модель MiniMaxAI для многоэтапных рассуждений в логике, математике и программировании. Она основана на Qwen2.5-32B-Base и дообучена методом Zero-RL на смеси проверяемых задач: логике из SynLogic, математике и коде. Веса имеют плотную архитектуру Qwen2, размер модели — 32 млрд параметров, максимальный контекст — 131 072 токена. Модель генерирует текст; карточка указывает поддержку английского языка и интерфейс для диалога и вызова инструментов. По описанию автора, модель обучалась без этапа instruction tuning, только с подкреплением от базовой модели. Приведённые результаты охватывают бенчмарки логического рассуждения, математики, программирования и общих знаний; автор сообщает об улучшениях при добавлении логических данных. Это специализированный чекпойнт для задач рассуждения, а README не приводит полную таблицу результатов для этой версии. Лицензия — MIT.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

asahi417/tner-xlm-roberta-large-ontonotes5 — модель XLM-RoBERTa Large, дообученная на распознавание именованных сущностей (NER) по набору OntoNotes 5. Она размечает текст по токенам, выделяя сущности в соответствии с метками датасета. Модель предназначена для извлечения людей, организаций, мест и других упомянутых в тексте сущностей. Модель содержит 658,7 млн параметров, принимает текст и выдаёт метки токенов. Максимальная длина контекста — 514 токенов. Для загрузки README показывает использование Transformers и AutoTokenizer; метаданные указывают формат PyTorch. XLM-RoBERTa поддерживает многоязычный текст, однако конкретный перечень языков этого чекпойнта в предоставленных данных не указан. Лицензия в предоставленных данных не указана.

KnutJaegersberg/Tri-21B-Think-gguf — GGUF-версия модели Tri-21B-Think-Preview, подготовленная на основе Tri-21B. Это причинная языковая модель с декодерным Transformer, RoPE, SwiGLU, RMSNorm и GQA, содержащая 20,73 млрд параметров. Она дообучена для диалогов, пошаговых рассуждений и использования инструментов. Контекст составляет 32 768 токенов, а с YaRN может расширяться до 262 144 токенов. Модель предназначена для генерации ответов в чат-сценариях, решения задач на рассуждение и работы с длинными текстовыми запросами. В первую очередь она оптимизирована для английского, корейского и японского языков; на других языках качество может снижаться. Это промежуточный чекпойнт, и README указывает на Tri-21B-Think как на финальную версию. Для базовой Tri-21B указана лицензия trillion, а для Think и Think-Preview — Apache 2.0; при этом метаданные репозитория обозначают лицензию как other, поэтому условия использования следует сверить с файлами лицензии в репозитории.