I.14Автоматизация процессов и AI-агенты

Sakalti/model-3-decem — языковая модель для генерации текста и диалогов, созданная слиянием моделей методом TIES с помощью mergekit. В качестве базовой модели указана Sakalti/model-3; в слиянии также участвовала qfq/Qwen2.5-7B-Instruct-20241204-114939. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст, выдавая текст. Для работы с весами используется формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых сценариев и генерации ответов, а метаданные также отмечают интерфейс вызова инструментов. В карточке не приведены сведения о языках обучения или качествах модели. Лицензия в предоставленных данных не указана.

MoziAI-35B-A3B-MOE-MTP — локально развёртываемая мультимодальная модель команды Chen Yumo, дообученная на основе Ornith-1.5-35B-A3B. Это MoE-модель семейства Qwen3.5 с 35 млрд параметров; в репозитории представлены варианты GGUF BF16 и Q4_K_M, а для работы с изображениями README рекомендует отдельно подключать vision-проектор. Модель предназначена для диалогов, финансового анализа, чтения отчётности, программирования, письма и задач с использованием инструментов. Карточка заявляет поддержку 201 языка и диалектов с особой оптимизацией китайского; метаданные каталога отмечают английский и китайский. README также описывает структурированное рассуждение и цикл самопроверки для сложных запросов. Репозиторий использует llama.cpp и распространяется по лицензии Apache-2.0. В README заявлены компактный вариант MoziSmartBit объёмом 15,9 ГБ и ускорение спекулятивного декодирования, однако метаданные указывают форматы GGUF BF16 и Q4_K_M, поэтому эти заявления о размере и точности не следует автоматически относить к каждому файлу репозитория. Результаты финансовых и инвестиционных ответов требуют независимой проверки; подробные бенчмарки в предоставленном фрагменте карточки отсутствуют.

agentlans/multilingual-e5-small-pii-detector — дообученная модель классификации текста на основе BERT multilingual-e5-small, предназначенная для обнаружения персональных данных (PII) в тексте. Её можно применять для предварительной проверки пользовательских сообщений, документов и записей перед передачей или публикацией, а также как вспомогательный компонент процессов редактирования и маскирования данных. Модель содержит 124,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors. В карточке приведены примеры на английском, французском и испанском языках; метаданные указывают на многоязычную поддержку. На оценочном наборе автор сообщает accuracy 0,9214. Модель выпущена под лицензией Apache-2.0. Чувствительность может быть ниже для отдельных языков и форматов персональных данных, включая некоторые номера карт и локальные идентификаторы; на очень коротких фрагментах без контекста качество может снижаться. Результаты следует использовать как вспомогательную проверку, а не как замену юридической или комплаенс-проверке.

Multilingual Zero-Shot Classifier large — модель классификации текста без дополнительного обучения, разработанная Horizon Labs. Она сопоставляет текст с заданными пользователем метками через оценку логического следования и подходит для тематической классификации, определения намерений и других задач в стиле NLI. Модель основана на BGE-M3 и архитектуре XLM-RoBERTa; в метаданных указано 658,7 млн параметров. Принимает текст на многих языках, но метки и шаблон гипотезы рекомендуется задавать на английском. Заявлен контекст до 8194 токенов, хотя до 1024 токенов модель дообучалась. Доступны веса safetensors и формат ONNX; лицензия Apache-2.0. Модель предназначена для многоязычной классификации с произвольным набором меток без обучения на конкретной таксономии. Среди сильных сторон — широкий охват языков и возможность применять единый интерфейс zero-shot classification к разным задачам. Качество зависит от формулировок меток и шаблона: общие метки могут преобладать над конкретными, а близкие категории путаться. На языках с меньшими обучающими ресурсами качество ниже; существенная часть обучающих данных синтетическая или машинно-переведённая.

Nanbeige4-3B-Thinking — компактная языковая модель с 3,5 млрд параметров из четвёртого поколения семейства Nanbeige, разработанная командой Nanbeige. Это плотная авторегрессионная модель архитектуры Llama, предназначенная для генерации текста в диалогах и решения задач, требующих рассуждений. Модель обучали на корпусе из текстов, книг, кода и научных публикаций, а затем дообучали на примерах с длинными цепочками рассуждений, дистиллировали от флагманской модели Nanbeige и совершенствовали с помощью многоэтапного обучения с подкреплением. В README заявлены применения в математике, науке, творческом письме и использовании инструментов. Поддерживается контекст до 65 536 токенов; метаданные указывают английский и китайский языки. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Сильные стороны — акцент на рассуждениях при сравнительно небольшом размере и обучение на проверяемых задачах и данных с длинными цепочками рассуждений. Модель может выдавать предвзятые или дискриминационные и другие неожиданные ответы; результаты требуют проверки, особенно при использовании инструментов или в чувствительных сценариях.

NbAiLab разработала эту модель на основе предварительно обученного норвежского NB-BERT Base и дообучила её для задачи MultiNLI на машинно переведённой на норвежский язык версии набора данных. Модель использует архитектуру BERT для классификации последовательностей и позволяет присваивать текстам категории, заданные пользователем, без отдельного обучения на этих категориях: названия классов преобразуются в гипотезы, например «Этот текст о спорте». Для лучших результатов рекомендуется формулировать шаблон гипотезы по-норвежски. Модель предназначена для классификации норвежских текстов по произвольному набору тем или других категорий. Она принимает текст и выдаёт оценки соответствия заданным классам. Контекст ограничен 512 токенами; доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Качество зависит от формулировок гипотез и названий классов; обучение на машинно переведённом MNLI может влиять на результаты.

NeoMME-260M-Retriever — мультимодальная мультиязычная модель для поиска документов, разработанная Hcompany и дообученная на базе Hcompany/NeoMME-260M. Она использует один двунаправленный Transformer-энкодер для запросов и документов, представленных текстом или изображениями страниц. За один проход модель формирует плотные и многовекторные представления: плотные сравниваются по косинусному сходству, а многовекторные оцениваются методом MeanMaxSim. Модель предназначена для поиска по текстовым коллекциям и визуальным документам, включая страницы, представленные скриншотами. Обучение сочетает контрастивную настройку для позднего взаимодействия и плотного поиска с Matryoshka-подходом. Модель содержит 366 млн параметров, принимает контекст до 16 384 токенов и доступна в формате safetensors для библиотеки Transformers. Указана лицензия Apache-2.0.

Это модель распознавания сущностей на основе BERT, разработанная авторами репозитория fef2 и дообученная поверх DeepPavlov/rubert-base-cased. Она размечает в русском тексте учётные данные (логины, пароли, токены и секретные ключи), персональные данные (ФИО, организации и локации) и номера договоров. Основной сценарий — обнаружение чувствительных фрагментов в пользовательских сообщениях и конфигурациях для их маскирования перед передачей внешней LLM. Модель использует архитектуру BertForTokenClassification с 205,1 млн параметров, контекстом до 512 токенов и 17 BIO-метками для восьми типов сущностей. Репозиторий также содержит детерминированный regex-слой; опубликованные показатели покрытия учётных данных относятся к объединению NER и regex, а сама NER предназначена дополнять регулярные выражения. Модель распространяется по лицензии Apache-2.0.

OpenAI o3 Pro — модель семейства o, обученная с подкреплением рассуждать перед ответом и решать сложные задачи. По сравнению с o3 она использует больше вычислений на этапе рассуждения, чтобы давать более последовательные ответы. Модель предназначена для сложных запросов, где полезны многоэтапное рассуждение и тщательная проработка ответа. Данных о размере, модальностях, поддерживаемых языках, длине контекста и лицензии в предоставленной карточке нет.

Ogma Micro — компактная англоязычная модель эмбеддингов текста семейства Ogma, разработанная axiotic. Энкодер с 2,3 млн параметров преобразует текст в векторы размерности 128; поддерживаются сокращённые представления Matryoshka размерности 64 и 32. Заявленная длина контекста — 1024 токена, средний результат на английском бенчмарке MTEB — 52,18. Модель предназначена для локального семантического поиска и извлечения документов, векторного поиска, RAG, кластеризации и классификации текстов, а также хранения памяти агентов. Небольшой размер подходит для браузеров, мобильных и настольных приложений, периферийных устройств и сценариев с локальной обработкой данных. Для задач сходства доступны симметричная маршрутизация и режим запросов/документов. Это энкодер, который выдаёт эмбеддинги и не генерирует текст. По данным README, качество ниже более крупных вариантов семейства на некоторых задачах; модель отстаёт от all-MiniLM-L6-v2 в переранжировании. На CPU она медленнее статических моделей, а обучение и оценка ориентированы только на английский. Лицензия весов — CC-BY-NC-4.0, коммерческое использование ограничено.

Msoldier-ai/parsbert-qa — модель для извлечения ответов на вопросы из предоставленного текста. Согласно карточке, это дообученная ParsBERT для персидского экстрактивного QA: она находит в контексте начальную и конечную позиции фрагмента ответа. Модель относится к архитектуре BERT и содержит 190 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для поиска точных ответов в документах и системах вопросов-ответов с передачей контекста, включая сценарии RAG. В README приведены результаты на персидском наборе PQuAD: Exact Match 73,47% и F1 86,28%. Она подходит для ответов, явно содержащихся в тексте, но может ошибаться в границах фрагмента, пропускать неявные ответы или выбирать ответ там, где данных недостаточно. Лицензия — MIT.

Adept Persimmon-8B-Chat — чат-модель семейства Persimmon, разработанная Adept и дообученная для диалогов на собственной базовой модели, обученной с нуля. Она предназначена для генерации ответов на текстовые запросы и использования в чат-сценариях, в том числе как языковая основа для взаимодействия с компьютером. Модель имеет плотную архитектуру PersimmonForCausalLM и 10,7 млрд параметров. Контекстное окно составляет 16 384 токена. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. README представляет модель как ранний результат программы масштабирования Adept, а не как отдельный готовый продукт. Карточка не приводит оценок качества или подробных ограничений; результаты следует проверять для конкретных задач.

scanpatch/pii-ner-nemotron — модель распознавания именованных сущностей, дообученная разработчиком scanpatch на датасете Nemotron на базе XLM-RoBERTa Large. Она извлекает из текста персональные данные: имена и их варианты, адреса и компоненты адресов, даты, номера документов, электронную почту, IP-адреса, телефоны, идентификаторы SNILS и TIN, номера автомобилей и организации. Модель предназначена для выявления и разметки чувствительных данных в текстах; её можно запускать через Transformers pipeline с задачей token-classification. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности длиной до 514 токенов. В карточке заявлены английский, русский и украинский языки. Для тестовой выборки приведены F1 0,977, точность 0,973 и полнота 0,980; качество на других данных может отличаться. Модель распространяется по лицензии Apache-2.0.

PolDense-17M — компактная польская модель эмбеддингов из семейства PolDense, разработанного для поиска и извлечения релевантных текстов. Она основана на энкодере ettin-encoders с архитектурой ModernBERT и содержит 16,8 млн параметров. Модель формирует плотные векторные представления текста и рассчитана на низкую задержку при поиске, семантическом сравнении и построении RAG-систем на польском языке. Обучение включало два этапа дистилляции знаний от BGE-Multilingual-Gemma2 и финальную настройку для поиска с использованием данных, подготовленных с помощью BGE-Reranker-v2.5-Gemma2-Lightweight. Карточка сообщает о проверке семейства на польском бенчмарке PIRB и о сильных результатах моделей разных размеров; отдельные показатели PolDense-17M не приведены. Для поиска запросу нужен префикс «[query]: », а для сравнения предложений — «[sts]: ». Модель поддерживает контекст до 7 999 токенов. Лицензия репозитория указана как Gemma; перед использованием следует проверить её условия.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

PP-OCRv5_mobile_rec_onnx — компактная модель распознавания текста в строках из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться в сценариях OCR, включая распознавание печатного и рукописного текста, вертикального, искажённого и художественного текста, пиньиня, редких символов и древнекитайского текста. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. Доступен вариант для запуска через ONNX Runtime, включая GPU-окружение. В README не указаны точная архитектура, количество параметров, размер модели и максимальная длина контекста. Заявленные показатели зависят от типа текста: среднее значение составляет 0,8015, а для печатного китайского и английского — 0,8605 и 0,8753 соответственно; для рукописного и художественного текста результаты ниже. Метрики используют строгий критерий: ошибка любого символа или знака пунктуации делает неверной всю строку. Модель ориентирована на эффективное и универсальное распознавание текста одной моделью, но её качество может существенно различаться между типами данных, языками и сложными сценариями. Распространяется по лицензии Apache-2.0.

PP-OCRv5_server_det — модель обнаружения текстовых областей из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для высокопроизводительного поиска текста на изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, сложные макеты, разный размер надписей и трудный фон. Модель подходит для анализа документов, распознавания текста на номерных знаках и обнаружения текста в сценах; заявлена поддержка упрощённого и традиционного китайского, английского и японского языков. В README приведены оценки по нескольким сценариям обнаружения текста со средним значением 0,827. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не уточняет размер модели и длину контекста. Это детектор текстовых областей, а не средство полного распознавания содержимого текста.

PP-OCRv6_tiny_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она использует LCNetV4 в качестве backbone и RepLKFPN в качестве шеи пирамиды признаков; размер модели — 0,43 млн параметров. Это детектор, который находит текст на изображении, включая рукописный, печатный, повёрнутый, изогнутый и художественный текст. Модель предназначена для лёгких OCR-систем и сценариев развертывания на периферийных устройствах; для распознавания найденных символов нужен отдельный модуль распознавания. В карточке заявлена поддержка 48 языков для семейства PP-OCRv6; метаданные репозитория указывают английский и китайский. Веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит отдельные метрики качества для tiny-детектора.

Карточка модели Pq234/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.

Карточка модели RedHatAI/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.

Модель oumaimaennasri02/qwen2.5-vl-finetuned-invoices_2k разработана oumaimaennasri02 и дообучена на основе unsloth/qwen2.5-vl-7b-instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная модель Qwen2.5-VL с архитектурой dense и 7,1 млрд параметров, предназначенная для диалога по тексту и изображениям. Её задача — извлекать и интерпретировать сведения из изображений счетов и отвечать на вопросы по ним. Модель принимает текст и изображения, а выдаёт текст. Контекст составляет 32 768 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает подробностей о составе обучающих данных и качестве на разных типах счетов.

Qwen 3 Code Reasoning — дообученная на базе Qwen/Qwen3-4B языковая модель, ориентированная на генерацию кода и логические рассуждения. В карточке указано обучение на OpenCodeReasoning; метаданные также связывают модель с набором creative-rubrics-gpt-4.5-o3-R1 и отмечают слияние с базовыми моделями Qwen/Qwen3-4B и unsloth/Qwen3-4B. Архитектура — плотная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, контекст — 40 960 токенов. Модель предназначена для генерации кода и ответов на логические вопросы; для задач программирования автор рекомендует режим рассуждений. Поддерживается диалоговый интерфейс, а в метаданных отмечена возможность интерфейса вызова инструментов. README рекомендует запуск через vLLM или Transformers. Указанная лицензия — Apache-2.0. Среди ограничений автор отмечает склонность к избыточным рассуждениям и переполнению контекста. Языковая поддержка отдельно не перечислена; обучение на датасете кода не позволяет установить конкретные естественные языки.

TheWegemann/Qwen3.8-27B-LowGPU-NoMTP-IQ3XXXS-GGUF — это пользовательская GGUF-квантизация модели Qwen3.8-27B, разработанная TheWegemann совместно с авторами рецепта квантования. Модель предназначена для локального запуска через llama.cpp на видеокартах с 12 ГБ VRAM, включая сценарии работы с агентами, рассуждениями, текстом и изображениями. Модель основана на 27-миллиардной Qwen3.8-27B и занимает примерно 9,3 ГБ. Она использует гибридную архитектуру с блоками Gated DeltaNet и линейного внимания, периодическими блоками полного внимания и 64 слоями. Поддерживаются мультимодальные сценарии с совместимым F16 vision-проектором. В сборке удалена MTP-голова, чтобы уменьшить потребление видеопамяти. Рецепт IQ3XXXS является названием пользовательской схемы смешанного покомпонентного квантования, а не официальным типом квантования llama.cpp; применяются различные форматы, включая IQ1_S, IQ1_M, IQ2, IQ3, IQ4_XS, Q2_K, Q4_K, Q5_K и Q8_0. Тестирование проводилось с полным переносом на GPU, контекстом до 64 000 токенов, кэшем Q4_0, Flash Attention и сервером llama.cpp. Сильная сторона модели — сочетание относительно крупной базовой модели, мультимодальности и большого контекста с возможностью запуска на 12-ГБ GPU. Квантование агрессивно оптимизировано под ограниченный объём VRAM, а финальные слои и отдельные чувствительные тензоры сохранены с более высокой точностью. Ограничения связаны с потерями качества из-за низкой точности, отсутствием MTP и зависимостью фактического потребления памяти от версии llama.cpp, драйверов, настроек и использования видеопамяти. Сборка ориентирована прежде всего на GPU-only запуск; работа при меньшем объёме VRAM или с CPU offload возможна, но не является целевым сценарием. Модель распространяется по лицензии Apache-2.0.

Joestar79/Qwen3.8-27B-OBLITERATED-NVFP4 — производный мультимодальный чекпойнт на базе Qwen/Qwen3.8-27B, прошедший V3 abliteration авторами OBLITERATUS и квантование NVIDIA ModelOpt 0.45.0. Модель предназначена для текстовой генерации, работы с изображениями, рассуждений и вызова инструментов через vLLM. Поведение отказов удалено, поэтому модель выполняет запросы, которые исходная версия могла отклонять; ответственность за законность использования и настройку защитных ограничений лежит на операторе. Модель использует квантование NVFP4 W4A16: размер на диске составляет около 21,5 ГБ вместо 55,6 ГБ у исходной BF16-версии. Весовая часть упакована в FP4, а vision tower, MTP head, lm_head, embeddings и отдельные внутренние компоненты линейного внимания сохранены в BF16. MTP head подключён для speculative decoding, поддерживается контекст до 126 976 токенов, а шаблон чата включает диалект вызова инструментов qwen3_coder. В README не указаны полный список языков и точное число параметров сверх обозначения 27B. Чекпойнт рассчитан прежде всего на запуск на одной NVIDIA RTX 5090 с 32 ГБ памяти и совместим с другими картами Blackwell и FP4-совместимыми серверными GPU. На RTX 5090 заявлена пропускная способность около 40 токенов в секунду для одного потока и до 317 токенов в секунду суммарно для восьми потоков. Ограничения включают известную проблему с зацикливанием генерации при некоторых условиях, возможное снижение эффективности speculative decoding из-за несовпадения MTP head с abliteration-весами и отсутствие калибровки квантования под конкретные задачи. Модель не рекомендуется для публичного неаутентифицированного развёртывания; перед критически важным применением её следует сравнить с BF16-версией. Лицензия — Apache-2.0. Производная модель наследует знания, предубеждения и потенциальные ошибки базовой модели, а удаление отказов повышает риск небезопасных или нежелательных ответов.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-AWQ-MTP — 4-битная AWQ-квантизованная версия модели HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF. Это мультимодальная модель формата image-text-to-text для работы с текстом и изображениями; в карточке указан английский язык. Сборка предназначена для локального запуска и инференса через Transformers и vLLM, включая speculative decoding благодаря сохранённой NextN/MTP draft head. Модель содержит около 27 млрд параметров и использует гибридную архитектуру Qwen3.5: 64 декодерных слоя, из которых 48 используют линейное внимание Qwen3_5GatedDeltaNet, а 16 — полноценное внимание. В состав также входит 27-слойная vision tower, оставленная без квантизации. Применена схема W4A16 с размером группы 128 и асимметричным квантованием; итоговый размер файлов составляет около 19 ГБ. На конфигурации из двух RTX 3090 с vLLM и FP8 KV-cache модель успешно обрабатывала контексты до 229 200 токенов в тесте извлечения данных, однако это не является заявленным максимальным размером контекста. Сильные стороны — сохранённые мультимодальность, tool calling и MTP-ускорение: в тестовой конфигурации измерялась скорость до 96,3 токена в секунду, а коэффициент принятия MTP-токенов составил 64,9%. Модель описана как uncensored, а в двух проверочных запросах отказов не было. Ограничение — квантизация выполнена не из исходных BF16-весов, а через восстановление из Q8_K_P GGUF и последующее 4-битное квантование, поэтому возможны накопленные ошибки. Стандартизированные тесты качества не проводились. Лицензия — Apache 2.0.

Qwen3-Next-80B-A3B-Thinking r22 — экспериментальный чекпойнт на базе Qwen/Qwen3-Next-80B-A3B-Thinking. В карточке указано, что это MoE-модель с маршрутизируемыми экспертами, усреднённо хранящимися при 2,0161 бита; остальные веса — BF16. Метаданные указывают 2,3 млрд параметров, контекст до 262 144 токенов и библиотеку Transformers. Веса представлены в safetensors и загружены в деквантованном виде в BF16-тензоры; заявлена совместимость со стандартными Transformers и vLLM. Модель предназначена для генерации текста и диалогового использования, включая сложные рассуждения и вызов инструментов через соответствующий интерфейс. Русский язык карточкой не заявлен, поэтому языковая поддержка здесь не уточняется. Чекпойнт помечен как внутренний исследовательский; лицензия наследуется от базовой модели.

tomaarsen/Qwen3-VL-Embedding-2B-vdr — модель Sentence Transformers, разработанная tomaarsen на основе Qwen/Qwen3-VL-Embedding-2B и дообученная для визуального поиска по документам. Она сопоставляет текстовые запросы со скриншотами страниц PDF, кодируя их в плотные векторы для поиска наиболее релевантных документов. Модель принимает текст, изображения и видео; обучена на 10 000 примерах англоязычного набора llamaindex-vdr-en-train-preprocessed, созданного на основе датасета Visual Document Retrieval Goes Multilingual. Контекст — до 262 144 токенов. По умолчанию выдаёт векторы размерности 1024; размерность можно настроить от 64 до 2048. Для сходства используется косинусная мера. В описанной автором оценке модель показала NDCG@10 0,947 на наборе из 300 запросов и 1500 скриншотов документов и превзошла исходную модель на этой задаче. Настройка Matryoshka позволяет уменьшать размер вектора с небольшим снижением качества в рамках приведённой оценки. Модель распространяется по лицензии Apache-2.0.

Sakalti/QwenTies-3 — объединённая текстовая модель Sakalti, созданная методом TIES с помощью mergekit на основе Sakalti/light-7b-beta. Это плотная авторегрессионная модель семейства Qwen2 с 3,8 млрд параметров, предназначенная для генерации текста и диалогового общения; поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для генерации ответов в чатах и приложениях, где требуется создавать текст с учётом длинного контекста. README сообщает, что при слиянии использовалась только Sakalti/light-7b-beta, поэтому состав из нескольких различных моделей не подтверждается. Данных о целевых языках и специализированных областях применения нет.

Jina Reader-LM 0.5B — компактная языковая модель, разработанная Jina AI для преобразования HTML-страниц в Markdown. Она обучена на отобранных парах HTML и соответствующего Markdown и принимает исходный HTML без дополнительной инструкции в запросе. Модель предназначена для извлечения и преобразования содержимого веб-страниц, например при подготовке страниц сайтов к чтению и дальнейшей обработке. Модель построена на архитектуре Qwen2 с плотной причинно-следственной языковой моделью и содержит 494 млн параметров. Она работает через Transformers, принимает текст и генерирует текст; заявленная длина контекста — 256 тысяч токенов. В метаданных указана поддержка многоязычного режима, но конкретные языки не перечислены. Модель специализируется на преобразовании веб-содержимого, поэтому её не следует считать универсальным средством для любых задач генерации текста. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

Это модель распознавания именованных сущностей на базе RoBERTa-large, дообученная разработчиками T-NER на наборе данных CoNLL-2003. Она размечает токены в тексте, выделяя упоминания людей, организаций, мест и другие сущности. Модель подходит для извлечения сущностей из новостей и других текстов на английском языке, а также для построения конвейеров NER через библиотеку T-NER. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и поддерживает контекст до 514 токенов. На тестовой выборке CoNLL-2003 указана микро F1 0,925; лучший результат среди приведённых категорий — для персон, слабее всего модель справляется с категорией «прочее». Для запуска рекомендуется библиотека T-NER: при использовании Transformers слой CRF не поддерживается. Лицензия в доступных данных не указана.