I.14Автоматизация процессов и AI-агенты

kttt294/vietnamese-sbert-finetuned — модель Sentence Transformers, дообученная на основе bkai-foundation-models/vietnamese-bi-encoder. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 768; архитектура использует RoBERTa с усредняющим pooling. Модель подходит для семантического поиска, извлечения релевантных текстов и сравнения смысловой близости по косинусному сходству. Модель принимает только текст. Максимальная длина последовательности составляет 256 токенов по README; метаданные каталога указывают контекст в 258 токенов. Для обучения использованы 12 001 пар предложений с метками сходства и CosineSimilarityLoss. Карточка не сообщает отдельные результаты оценки качества, поэтому эффективность на конкретных наборах данных следует проверять перед применением. Формат весов — safetensors; лицензия в предоставленных данных не указана.

Whisper Small — модель OpenAI для автоматического распознавания речи, преобразованная в формат OpenVINO IR. Веса сжаты до INT8 с помощью NNCF; модель содержит около 153,1 млн параметров и предназначена для запуска через OpenVINO, Optimum Intel, OpenVINO GenAI или OpenVINO Model Server. Модель решает задачу преобразования англоязычной аудиозаписи в текст и подходит для транскрибации записей, голосовых сообщений и аудиопотоков. Поддерживается интеграция с CPU и совместимыми ускорителями OpenVINO, а также использование через OpenAI-совместимый API при развертывании в OpenVINO Model Server. Ключевые характеристики включают архитектуру Whisper Small, представление OpenVINO IR и асимметричное сжатие весов INT8 с размером группы 128. К преимуществам относятся уменьшенный размер весов и возможность эффективного инференса в экосистеме OpenVINO. Модель ориентирована на английский язык; ограничения исходной модели описаны в оригинальной карточке Whisper Small. Распространяется по лицензии Apache-2.0.

joeddav/xlm-roberta-large-xnli — мультиязычная модель классификации текста, разработанная на основе XLM-RoBERTa Large и дообученная на данных для вывода по тексту (NLI), включая MNLI и XNLI. Она предназначена прежде всего для zero-shot-классификации: пользователь задаёт текст и набор меток, а модель оценивает соответствие текста каждой метке без отдельного обучения на этих категориях. Модель содержит около 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстным окном до 514 токенов. Она рассчитана на работу на 15 языках XNLI: английском, французском, испанском, немецком, греческом, болгарском, русском, турецком, арабском, вьетнамском, тайском, китайском, хинди, суахили и урду. Можно задавать метки на одном языке, а классифицируемый текст подавать на другом. Подходит для тематической разметки, маршрутизации обращений и других задач классификации с пользовательскими категориями, особенно в мультиязычных сценариях. Для классификации только на английском в карточке рекомендованы модели семейства BART MNLI. Модель распространяется по лицензии MIT.

XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

ZEUS 8B V2 — объединённая языковая модель, созданная разработчиком T145 методом DARE TIES с помощью mergekit. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct, а также включены Llama-3.1-SuperNova-Lite, Llama-3.1-Storm-8B и Llama-3.1-8B-Lexi-Uncensored-V2. Модель имеет плотную архитектуру Llama 3.1 с 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает диалоги и интерфейс вызова инструментов. Длина контекста — до 131 072 токенов. Модель предназначена для генерации текста, диалогов и ролевого общения. В README приведены результаты Open LLM Leaderboard: средний балл 30,07 и 80,29 на IFEval; эти результаты относятся к указанной версии оценки. Для запуска автор рекомендует параметры генерации, а также приводит рекомендацию по квантизации i1-Q4_K_M. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

yuq-zhou/2026-05-o-b0p3-a1p0-gc0p5-exp-td4p0-tw10p0-r1-7-last — контрольная точка языковой модели в стандартном формате Hugging Face для загрузки через Transformers. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов; основная задача модели — генерация текста. Модель может использоваться для диалоговых ответов и генерации текста с длинным контекстом. Карточка называет её резервной копией исследовательского артефакта, но не описывает конкретные данные обучения, специализацию или проверенные показатели качества. Лицензия в предоставленных данных не указана.

Это текстовая авторегрессионная модель Qwen2 с 7,1 млрд параметров в формате safetensors для генерации текста и диалогов. Карточка описывает её как резервную копию исследовательского чекпойнта; модель загружается в стандартном формате Hugging Face через AutoModelForCausalLM. Модель подходит для генерации ответов в чате и сценариев с интерфейсом вызова инструментов. Заявленная длина контекста составляет 131 072 токена. В карточке не приведены сведения о конкретных языках, качестве ответов или специализированной предметной области. Условия лицензии в доступных данных не указаны.

70B-L3.3-mhnnn-x1 — дообученная разговорная языковая модель Sao10K на архитектуре Llama, основанная на meta-llama/Llama-3.3-70B-Instruct. Модель содержит 69,5 млрд параметров, принимает текстовые запросы в формате Llama 3 Instruct и поддерживает контекст до 131 072 токенов. В метаданных указаны возможности чата и интерфейс вызова инструментов. Модель предназначена для диалогов и генерации текста, с акцентом на более творческие ответы. Автор сообщает, что при таком поведении иногда возникают ошибки, которые могут исчезнуть при повторной генерации. Для обучения использовалась конфигурация Axolotl 0.6.0; автор рекомендует температуру 1,1 и min_p 0,05. Модель доступна по лицензии Llama 3.3.

ARK-ASR-3B — мультиязычная модель автоматического распознавания речи от Edge0. Это авторегрессионная модель на базе Transformers с архитектурой arkasr: Whisper-подобный аудиоэнкодер, MLP-адаптер и декодер Qwen. Модель содержит около 3,1 млрд параметров, принимает аудио с частотой дискретизации 16 кГц и генерирует текстовую расшифровку; указанная длина контекста — 32 768 токенов. Модель предназначена для транскрибации речи на китайском, английском, немецком, японском, французском, корейском, испанском, польском, итальянском, румынском, венгерском, чешском, нидерландском, финском, хорватском, словацком, словенском, эстонском и литовском языках. В README приведены результаты на англоязычном коротком аудио: средний WER 5,04% на наборах AMI, Earnings22, GigaSpeech, LibriSpeech, SPGISpeech и VoxPopuli; также приведены результаты CER для китайского. Для загрузки используется Transformers и пользовательский код модели. Лицензия — Apache-2.0.

Armenian-Text-Embeddings-1 — модель плотных текстовых эмбеддингов для армянского языка, разработанная Metric-AI на базе дообученной multilingual-e5-base. Она преобразует текст в векторы и предназначена для семантического поиска, поиска документов для RAG, сравнения текстов, кластеризации и классификации. Модель построена на архитектуре XLM-RoBERTa, содержит около 305,2 млн параметров и рассчитана на контекст до 514 токенов по метаданным; README указывает ограничение длины последовательности 128 токенов. Для получения эмбеддингов README приводит пример с Sentence Transformers и нормализацией векторов. Указаны армянские тексты на входе, а также англо-армянские данные обучения и поддержка межъязыкового понимания. Лицензия — Apache 2.0. В README также сообщается о более новой версии ATE-2.

Карточка модели ganesh714/arq_m1_chairs на Hugging Face совпадает с карточкой ganesh714/arq_m1_chairs_think_Q7b_C, поэтому описание составлено по ней. Модель ganesh714/arq_m1_chairs_think_Q7b_C — дообученная языковая модель семейства Qwen2 на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Она построена на архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. В карточке нет подробностей о специализации дообучения или оценках качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

AudioX-South — модель распознавания речи из семейства AudioX, разработанного Jivi AI. Это вариант для южноиндийских языков, дообученный методом supervised learning на открытой модели распознавания речи с использованием языковой балансировки, адаптации к домену и аугментации шумом. Модель принимает аудио и преобразует речь в текст на тамильском, телугу, каннада и малаялам. Она предназначена для транскрибации, голосовых помощников, автоматизации клиентской поддержки и создания многоязычного контента; карточка сообщает об устойчивости к региональным акцентам и разному качеству записи. В примере запуска используется архитектура Whisper через Transformers. В README приведены результаты сравнения на Vistaar Benchmark; для AudioX указано среднее значение WER 20,1 по семи языкам семейства. Обучение включало открытые многоязычные ASR-корпуса и закрытые медицинские аудиоданные. Модель распространяется по лицензии Apache-2.0. Заявления о превосходстве в бенчмарках приведены авторами; отдельные ограничения качества в карточке не описаны.

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.

Модель serpapi/bert-base-local-results — классификатор текстовых фрагментов из карточек Google Local Listings, разработанный SerpApi на базе BERT с использованием библиотеки Hugging Face. Она присваивает фрагментам категории, такие как адрес, телефон, рейтинг, число отзывов, часы работы, описание, тип заведения и варианты услуг, чтобы помогать разбирать результаты локального поиска Google. Модель предназначена для извлечения и структурирования сведений о местных компаниях и заведениях, в том числе при обработке результатов SerpApi Google Local API и Google Local Pack API. Она принимает текст на английском языке и возвращает метку класса; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель умеет работать с короткими и неполными фрагментами, семантически похожими значениями и текстом с грамматическими ошибками; также может выдавать оценку уверенности. Лицензия — MIT. Модель не классифицирует название заведения и поле label, может путать некоторые категории, например часы работы, описание, отзывы, рейтинг и варианты услуг. Для отдельных неоднозначных или коротких фрагментов полезна проверка оценки уверенности и дополнительная обработка правилами. Модель рассчитана на английские объявления и не предназначена для объявлений на других языках.

bert-chunker-Chinese-2 — китайский сегментатор документов на базе BERT, созданный авторами проекта bc-chinese. Модель с архитектурой BertForTokenClassification размечает начальные токены фрагментов, а скользящее окно позволяет нарезать документы произвольной длины на части для последующей работы, например, в RAG-системах. Авторы позиционируют её как альтернативу семантическому чанкеру, рассчитанную в том числе на неструктурированные и плохо подготовленные тексты. В экспериментальном скрипте можно задать максимальное число токенов в одном фрагменте. Модель содержит 27,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Карточка указывает английский и китайский языки. Репозиторий распространяется в формате safetensors по лицензии MIT. README описывает обновлённый вариант с изменённой разметкой данных и процессом обучения, но не называет базовую модель.

HooshvareLab/bert-fa-zwnj-base-ner — модель BERT, дообученная для распознавания именованных сущностей на персидском языке. Она размечает текст по десяти типам сущностей: даты, события, объекты инфраструктуры, местоположения, суммы денег, организации, проценты, люди, продукты и время. Модель предназначена для извлечения таких сущностей из персидских текстов и запускается через Transformers pipeline для NER. Модель содержит 145,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для обучения использован смешанный набор данных ARMAN, PEYMA и WikiANN. В README приведена общая оценка F1 0,957 на тестовых данных; результаты зависят от типа сущности и распределения данных. Модель доступна в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Модель nickprock/bert-finetuned-ner-ontonotes — англоязычная модель распознавания именованных сущностей, разработанная на основе google-bert/bert-base-cased и дообученная на наборе OntoNotes 5. Она выполняет токенную классификацию и подходит для выделения сущностей в тексте, в том числе в текстах деловой тематики. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает контекст длиной до 512 токенов. На оценочной выборке указаны F1 0,8702, точность 0,8567 и полнота 0,8842. Модель распространяется по лицензии Apache-2.0. Показатели получены на OntoNotes 5; качество на других доменах и типах текста может отличаться.

Карточка модели q2323q431/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.

Solshine/Brimful-12B-merged-replete — языковая модель для генерации текста, созданная с помощью mergekit на основе Replete-AI/Replete-LLM-V2.5-Qwen-7b. В README указан метод слияния passthrough; модель построена на архитектуре Qwen2 и содержит 11,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Размер контекста составляет 32 768 токенов. Модель может использоваться для диалогов и генерации ответов, а также в сценариях, где приложению требуется передавать вызовы инструментов через соответствующий интерфейс. README предупреждает, что merge пока не тестировался, поэтому качество и надёжность результатов не подтверждены. Репозиторий содержит веса safetensors; сведения о лицензии в предоставленных данных отсутствуют.

BROS-large-uncased — предварительно обученная модель семейства BROS, разработанная командой Naver Clova OCR. Она использует архитектуру BrosModel и сочетает текст с пространственной информацией о расположении слов на документе. На вход подаются результаты OCR в виде пар «текст и ограничивающая рамка»; модель предназначена для извлечения ключевой информации из документов, например упорядоченных позиций из чеков. Модель содержит около 433,9 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Модель служит основой для задач понимания структуры документов и извлечения данных с учетом их расположения. README описывает предварительное обучение, а не конкретную тонкую настройку под отдельный документный сценарий; заявленная задача в метаданных — извлечение признаков. Сведения о лицензии в предоставленных источниках отсутствуют.

CalmeRys-78B-Orpo-v0.1 — языковая модель dfurman, дообученная на 1,5 тыс. примеров датасета mlabonne/orpo-dpo-mix-40k на базе MaziyarPanahi/calme-2.4-rys-78b. Это плотная модель семейства Qwen2 с 76,7 млрд параметров, доступная в формате safetensors; метаданные указывают контекст до 32 768 токенов и лицензию MIT. Модель предназначена для генерации текста в диалогах и сценариях общего назначения: многоходового общения, ролевых диалогов, рассуждений, работы с длинным контекстом и задач с агентными возможностями. Карточка сообщает о высокой позиции на Open LLM Leaderboard по состоянию на октябрь 2024 года, однако не приводит полные результаты оценки. Модель принимает текст и генерирует текст. Заявлена поддержка английского языка; дополнительных языков карточка и метаданные не подтверждают. Для запуска в README приведён пример с Transformers и Accelerate. Ограничения: указанный размер требует значительных вычислительных ресурсов, а заявление о рейтинге относится к октябрю 2024 года и не гарантирует качество на конкретных задачах. Лицензия — MIT.

camembert-ner-with-dates — французская модель распознавания именованных сущностей на основе CamemBERT, созданная Jean-Baptiste как расширение модели camembert-ner. Она выполняет разметку токенов, выделяя людей, местоположения, организации, прочие сущности и даты. Модель обучена на обогащённой версии WikiNER на французском языке, содержащей около 170 тысяч предложений, и подходит, например, для извлечения сущностей из электронных писем и чатов. Модель содержит 137,8 млн параметров и принимает контекст до 514 токенов. Для общей разметки сущностей в README указаны precision и recall 0,928 и F1 0,928; автор оценивает F1 для метки DATE примерно в 90%, но отмечает, что эта оценка получена особым способом добавления дат в датасет. Лицензия — MIT. Для преобразования найденных выражений дат в объекты даты и времени README предлагает дополнительно использовать dateparser.

abacaj/codegen-16B-nl-sharded — размещённая в шардированном виде версия CodeGen-NL 16B, семейства авторегрессионных языковых моделей для синтеза программ, разработанного авторами статьи «A Conversational Paradigm for Program Synthesis». Модель содержит 16 млрд параметров, использует архитектуру CodeGenForCausalLM и распространяется в формате PyTorch с весами torch.float16. Контекст составляет 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на естественном языке, заданным в виде комментария, и для продолжения частично написанного кода. Она предварительно обучена на корпусе The Pile, включающем данные с кодом; в README описана оценка на HumanEval и MTPB. Карточка не уточняет, какие языки программирования охватываются, поэтому их перечень не приводится. Лицензия — BSD 3-Clause.

comprehend_it-base — англоязычная модель Knowledgator на базе энкодера DeBERTaV3-base, обученная на наборах для вывода на естественном языке и классификации текста. Она предназначена прежде всего для классификации по заданным пользователем категориям в zero-shot режиме: можно передать текст и список меток, не дообучая модель на этих категориях. Также модель применяют для ранжирования результатов поиска и задач извлечения информации, включая распознавание именованных сущностей, извлечение отношений, связывание сущностей и ответы на вопросы. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает контекст до 512 токенов. В карточке заявлено, что на нескольких наборах классификации она превосходила BART-large-mnli в zero-shot сценарии при почти втрое меньшем размере; также приведены результаты для нескольких наборов данных. Доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Модель рассчитана на английский язык. Как энкодер-классификатор, она выдаёт метки и оценки классов, а не генерирует свободный текст. Качество зависит от формулировок текста и кандидатов-меток; контекст ограничен 512 токенами, а README не приводит сравнительных результатов для всех заявленных задач извлечения информации.

DeBERTa Hallucination Judge — дообученный бинарный классификатор на базе microsoft/deberta-v3-base, разработанный в рамках EvalForge. Он принимает вопрос, контекст и ответ и определяет, соответствует ли ответ контексту: метка 0 означает faithful, метка 1 — hallucinated. Модель предназначена для быстрой локальной проверки ответов, например как первый фильтр в системах оценки LLM и RAG. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Обучение проводилось на синтетических примерах HaluEval; лицензия — MIT. На отложенной выборке HaluEval модель показала F1 0,9937, однако на реальных примерах RAGTruth F1 снизился до 0,5067, а калибровка оценок ухудшилась. Поэтому её разумно использовать как недорогой первый фильтр с передачей неуверенных или нетипичных случаев более сильной модели-судье.

Moritz Laurер разработал MoritzLaurer/deberta-v3-base-zeroshot-v1 для классификации текста без примеров с помощью конвейера Hugging Face zero-shot-classification. Модель на основе DeBERTa-v3 содержит 211,6 млн параметров и принимает текст вместе с кандидатными категориями, заданными в виде гипотез; она оценивает, следует ли гипотеза из текста. Этот подход позволяет формулировать разные задачи классификации через проверку категорий-кандидатов. Модель обучена на смеси 27 задач и 310 классов: примерно 400 тыс. текстов из задач классификации и 885 тыс. примеров из наборов данных NLI. В отличие от трёхклассовых моделей NLI, она предсказывает два класса: entailment и not_entailment. Контекст ограничен 512 токенами, основной указанный язык — английский. Весы доступны в форматах PyTorch и Safetensors по лицензии MIT. Модель предназначена только для классификации текста. Результаты могут наследовать смещения обучающих наборов; README рекомендует учитывать возможные предубеждения в исходных данных. Для работы с DeBERTa-v3 могут потребоваться Transformers версии 4.13 или новее.

deepset-mxbai-embed-de-large-v1 — открытая модель эмбеддингов предложений, разработанная Mixedbread совместно с deepset. Она основана на intfloat/multilingual-e5-large и дообучена с функцией потерь AnglE на более чем 30 млн пар немецких данных. Модель использует архитектуру XLM-RoBERTa, содержит около 585,8 млн параметров и принимает текстовый контекст длиной до 514 токенов. Модель предназначена для поиска по смыслу и извлечения релевантных документов на немецком и английском языках. Для запросов требуется префикс «query: », для документов — «passage: ». Она поддерживает Matryoshka Representation Learning и бинарную квантизацию, что позволяет уменьшать размер эмбеддингов и затраты на хранение при сохранении значительной части качества. По данным авторов, средний результат на NDCG@10 составляет 51,7. Модель распространяется по лицензии Apache-2.0. Она рассчитана на получение векторных представлений текста; качество и применимость за пределами немецкого и английского языков в предоставленных материалах не описаны.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

GuardrailsAI/finetuned_nli_provenance — модель классификации текста, разработанная Guardrails AI. Она предназначена для проверки связи между утверждением и исходным контекстом в сценариях контроля происхождения и фактической обоснованности ответов языковых моделей, включая оценку того, следует ли гипотеза из предоставленного текста. Модель основана на архитектуре RoBERTa и содержит около 454,1 млн параметров; поддерживает текстовый ввод и контекст до 514 токенов. В Hugging Face она опубликована для задачи text-classification и распространяется по лицензии Apache-2.0. Доступная карточка модели содержит ограниченное описание, поэтому сведения о точных данных обучения, метриках, поддерживаемых естественных языках и деталях меток классификации не установлены.

Карточка модели FuseAI/FuseO1-DeepSeekR1-QwQ-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.