I.14Автоматизация процессов и AI-агенты

Карточка модели tomsanbear/pp-ocrv5-mobile-det на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_det_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

privacy-filter-br — модель BERTimbau, дообученная Lucian Fialho для обнаружения персональных и конфиденциальных данных в текстах на бразильском португальском языке. Это BERT для классификации токенов с разметкой BIOES: модель распознаёт 22 категории, включая имена, CPF, CNPJ, RG, электронную почту, телефоны, адреса, даты и некоторые идентификаторы транзакций. Размер — 136,1 млн параметров, контекст — до 512 токенов; доступны форматы ONNX и Safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения чувствительных фрагментов из документов, чтобы затем их можно было скрыть или удалить. Для обработки реальных документов автор рекомендует применять её вместе с br-pii-guardrail, который объединяет фрагменты токенов и дополняет NER регулярными выражениями и проверками контрольных сумм. В приведённом автором тесте на 30 документах CVM F1 по совпадению областей составляет 0,8536 в среднем для четырёх категорий; для CPF и CNPJ указан F1 1,0, а для имён — 0,7143. Качество зависит от категории и формата документа: точность границ дат в тесте CVM ограничена, а адреса в этом наборе не оценивались. Схема не охватывает некоторые бразильские финансовые идентификаторы, в том числе ключ PIX EVP и ключ NF-e. Для производственной обработки потребуется учитывать эти ограничения и проверять качество на собственных документах.

Модель brilan/procedure-tool-matching_3_epochs — дообученный Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2, созданный для сопоставления описаний процедур с инструментами и командами. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; она преобразует предложения и абзацы в плотные векторы размерности 768, сравниваемые по косинусному сходству. В метаданных указано 136,7 млн параметров и библиотека Sentence Transformers; ограничение контекста составляет 514 токенов по метаданным и 384 токена в карточке модели. Модель подходит для семантического поиска, ранжирования похожих описаний, поиска перефразировок и кластеризации текстов о процедурах и инструментах. Обучение проведено на примерах anchor-positive-negative с MultipleNegativesRankingLoss. Карточка приводит высокие значения cosine_accuracy на dev и test, но не раскрывает название датасета или подробности методики, поэтому эти результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

Gensyn распространяет эту модель для использования в RL Swarm и локального дообучения методом peer-to-peer обучения с подкреплением. Согласно карточке, репозиторий содержит неизменённую инструкционную версию Qwen2.5 с 1,5 млрд параметров, построенную на архитектуре причинной языковой модели Qwen2; она использует RoPE, SwiGLU, RMSNorm, смещение в QKV-внимании и связанные эмбеддинги слов. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. В метаданных указан английский язык. После дообучения модель можно использовать в обычных сценариях генерации текста. Лицензия — Apache-2.0.

Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-GGUF — модель, разработанная Jackrong на основе плотной архитектуры Qwen3.5-9B. Она дообучена методом Supervised Fine-Tuning с применением LoRA и библиотеки Unsloth на данных, полученных дистилляцией рассуждений из взаимодействий с Claude 4.6 Opus, а также на наборах Jackrong/Qwen3.5-reasoning-700x и nohurry/Opus-4.6-Reasoning-3000x-filtered. Распространяется в формате GGUF и предназначена для использования с llama.cpp и совместимыми инструментами. Основное назначение модели — решение сложных задач с пошаговым рассуждением, включая научные, математические и инструкционные сценарии. Обучение ориентировано на структурирование анализа, разбиение задачи на подзадачи, проверку ограничений и формирование итогового ответа. В заявленном формате модель использует структуру <think>...</think> перед финальным ответом и стремится сокращать избыточные повторения в рассуждениях. Известно, что модель имеет 9 млрд параметров и поддерживает английский и китайский языки. В метаданных также заявлены мультимодальные возможности image-text-to-text и обработка изображений, однако в описании процесса обучения итоговая модель обозначена как text-only, поэтому практическую поддержку изображений следует проверять отдельно. Размер контекста, конкретная GGUF-квантизация и результаты независимых бенчмарков не указаны. Лицензия — Apache-2.0.

MihaiPopa-1 опубликовал модель на основе Empero Qwen3.8-2B-Distill; в карточке указано, что исходную модель разработала Empero. Это причинная языковая модель для диалогов, рассуждений и генерации текста, дообученная методом abliteration для снижения числа отказов. В сравнении с исходной моделью авторы сообщают 3 отказа из 100 запросов против 83 из 100; это может быть полезно для широкого круга запросов, но не гарантирует ответы на каждый запрос. Модель содержит около 2 млрд параметров и использует архитектуру Qwen3.5. Карточка базовой модели указывает дистилляцию на примерах для математики, общих рассуждений и следования инструкциям; заявлен контекст до 262 144 токенов и поддержка вызова инструментов. Доступны веса в формате Safetensors для Transformers и совместимых с архитектурой сред. Хотя архитектура происходит от мультимодальной модели, это дообучение описано как текстовое, а поведение при работе с изображениями не оценивалось. В README приведены результаты на GSM8K и MMLU, однако они относятся к базовой Qwen3.8-2B, а не к версии Heretic-Max, поэтому их нельзя считать оценкой качества этой версии. Веса распространяются по лицензии Apache-2.0; авторы предоставляют их без гарантий и для исследований и экспериментов.

Redact — разработанная desert-ant-labs мультиязычная модель для обнаружения и маскирования персональных данных непосредственно на устройстве. Она сочетает классификатор токенов на архитектуре BERT с детерминированной обработкой структурированных идентификаторов; модель содержит 26,2 млн параметров, принимает текст с контекстом до 512 токенов и поставляется в форматах Core ML и TFLite. Разработчик указывает поддержку 27 языков, включая все официальные языки ЕС, норвежский букмол и нюнорск, а также исландский. Модель находит имена, адреса, электронную почту, телефоны, платёжные и государственные идентификаторы, IP-адреса и другие категории; организации распознаются, но по умолчанию не маскируются. По опубликованным разработчиком оценкам, точность маскирования высока, однако полнота обнаружения ниже, а результаты зависят от языка: особенно слабые показатели отмечены для мальтийского и ирландского. Для английских имён AWS Comprehend показал более высокую полноту в сравнении из README. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Модель предназначена для локальной обработки текста на iOS, Android, Linux, Windows и в браузере.

Карточка модели TigerByteCyber/roberta-large-zeroshot-v2.0-c на Hugging Face совпадает с карточкой MoritzLaurer/roberta-large-zeroshot-v2.0-c, поэтому описание составлено по ней. MoritzLaurer/roberta-large-zeroshot-v2.0-c — модель классификации текста с нулевым обучением, разработанная Морицем Лаурером на основе RoBERTa Large. Она определяет, следует ли считать заданную гипотезу истинной или ложной относительно входного текста; pipeline Hugging Face позволяет использовать этот подход для классификации по категориям без обучающих примеров. Модель содержит 454,1 млн параметров, принимает текстовые последовательности длиной до 514 токенов и построена на архитектуре RobertaForSequenceClassification. Доступны веса Safetensors и формат ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов, когда нет размеченных данных для обучения. Её обучали на синтетических примерах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI; автор сообщает об оценке на 28 задачах классификации. Английский указан как язык карточки. Лицензия репозитория — MIT, а суффикс «-c» означает, что для обучения использовались данные, обозначенные автором как коммерчески совместимые. Модель поддерживает выбор одного или нескольких классов через настройку multi_label. Качество зависит от формулировки гипотезы и названий категорий; автор отмечает возможные смещения из-за базовой модели, данных NLI и синтетических данных. Она рассчитана только на классификацию текста и может работать медленнее более компактного варианта RoBERTa.

Hjgugugjhuhjggg/semi_final — объединённая диалоговая языковая модель, созданная с помощью mergekit методом TIES на базе huihui-ai/Llama-3.2-3B-Instruct-abliterated. Модель семейства Llama имеет 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и ведения диалога. Контекст составляет до 131 072 токенов; в метаданных также указана возможность интерфейса вызова инструментов. Карточка не описывает отдельные прикладные области или дополнительные языки, поэтому модель можно отнести к общему назначению. Модель представляет собой слияние нескольких чекпойнтов, а не самостоятельное дообучение. Сведения о лицензии в предоставленных источниках отсутствуют.

SkyCode — открытая модель для генерации кода, выпущенная компанией Singularity-AI (奇点智源). Она обучена на большом объёме кода и предназначена для автодополнения, генерации программ и решения задач по программированию. Модель поддерживает более десяти языков программирования, включая Python, Java, JavaScript, C, C++, Go, PHP, Swift и shell, и, по заявлению разработчиков, лучше понимает китайские комментарии. В README указано 2,6 млрд параметров и приведено сравнение результатов на HumanEval; авторы сообщают о высоких показателях решения задач относительно некоторых открытых моделей. Метаданные классифицируют архитектуру как GPT-2 и указывают контекст длиной 2048 токенов; README описывает структуру как GPT-3. Это авторские заявления и сведения каталога, а независимая проверка приведённых результатов в карточке не представлена. Модель распространяется по лицензии MIT.

SLIM-XSUM — компактная модель для экстремального суммирования текста, разработанная llmware. Она выполняет суммирование через вызов функции `classify` с параметром `xsum` и возвращает краткое резюме или заголовок в виде словаря Python. Модель дообучена на llmware/bling-stable-lm-3b-4e1t-v0, основанной на stabilityai/stablelm-3b-4elt, и использует плотную авторегрессионную архитектуру StableLM Epoch с 2,7 млрд параметров и контекстом до 4096 токенов. Модель предназначена для создания коротких выжимок и заголовков из входного текста, в том числе как специализированный функциональный вызов без сложного промптинга. Она работает с текстом и генерирует текст; README не указывает целевые языки или специализированные области применения. Репозиторий распространяется по лицензии CC BY-SA 4.0. Качество суммирования может зависеть от содержания и длины входного текста; README не приводит количественных оценок качества.

SoRu-0003 — языковая модель семейства Qwen2, разработанная ehristoforu и дообученная на основе ehristoforu/SoRu-0002. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. Модель содержит около 493,7 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает конкретные тесты качества или специализированные области применения.

SunflowerASR-51-african-languages — модель распознавания речи от Sunbird AI, адаптация Whisper large-v3 для 51 широко используемого в Африке языка, включая английский и французский с африканскими акцентами. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для транскрибации аудио: мониторинга СМИ, анализа звонков и отзывов граждан, голосовых интерфейсов и использования в конвейерах перевода речи. Обучение включало дообучение всех параметров на 7 412 часах африканской речи и этап GRPO, оптимизирующий частоту ошибок символов. Авторы сообщают о сильных результатах на трёх бенчмарках, однако качество заметно различается между языками. Для каждого аудиофрагмента язык нужно задать при декодировании — автоматического определения языка нет. Модель не переводит, не выдаёт временные метки или метки говорящих. Фрагменты длиннее 30 секунд необходимо разбивать. На шумной, спонтанной, перекрывающейся или смешанной по языкам речи точность может снижаться; результаты транскрибации для важных решений требуют проверки человеком.

ZurichNLP/swissbert-ner — модель ZurichNLP для распознавания именованных сущностей, дообученная на наборе WikiNEuRal. Она выполняет токеновую классификацию и выделяет сущности в немецком, французском и итальянском текстах; для ретороманского языка Grischun заявлена работа в режиме zero-shot. Модель построена на архитектуре X-MOD, содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для автоматической разметки имен людей, организаций и других сущностей в многоязычных текстах на языках Швейцарии. В README показано применение через pipeline Transformers с простой агрегацией меток. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

this-that-model-1.2 — дообученная модель flock-io для выбора ответа из заданных вариантов по структурированному состоянию и текстовым правилам. Она предназначена для решений, где нужно последовательно применить несколько условий, исключить неподходящие варианты и ранжировать оставшиеся. Модель основана на плотной архитектуре Qwen3.5 с причинным языковым моделированием, содержит 1,7 млрд параметров и поддерживает контекст до 262 144 токенов. Карточка демонстрирует применение к данным в формате вложенных пар ключ–значение и приводит результаты на задачах выбора и калибровки вероятностей; для указанного публичного бенчмарка сообщается точность 0,878 и задержка 31,4 мс на ноутбуке с NVIDIA RTX 5080. Модель ориентирована на типизированные решения за один прямой проход без генерации токенов, что позволяет использовать её для отбора и сравнения кандидатов по правилам, в том числе сформулированным как исключения. В README указаны улучшения при составных решениях и устойчивость к разным формулировкам правил. Лицензия — MIT. Результаты приведены для конкретных бенчмарков и аппаратной конфигурации; карточка не описывает универсальную точность на произвольных данных и не содержит полного примера API использования.

TrOCR-Ru — модель распознавания текста на изображениях, созданная дообучением microsoft/trocr-base-handwritten на синтетических наборах данных от nastyboget. Она использует архитектуру Vision Encoder-Decoder и предназначена для OCR рукописного текста, в том числе кириллицы. Модель обучалась на наборах stackmix_hkr_large, stackmix_cyrillic_large и synthetic_cyrillic_large. В карточке приведены результаты на HKR и Cyrillic: точность составляет примерно 64–72%, CER — 6,6–9,3%, WER — 21,6–33,2% в зависимости от тестового набора. Поддерживаются русский и английский языки; модель принимает изображение и выдаёт распознанный текст. Модель распространяется под лицензией Apache-2.0. Метрики показывают ошибки распознавания, поэтому результаты на реальных документах и почерках, отличающихся от обучающих данных, могут быть хуже.

eshangj/TrOCR-Sinhala-finetuned — модель распознавания текста на изображениях на сингальском языке, разработанная Эшаном Гаянга. Это дообученная архитектура TrOCR VisionEncoderDecoderModel, основанная на контрольной точке Ransaka/TrOCR-Sinhala и обученная на наборе синтетических данных Ransaka/sinhala_synthetic_ocr-large. Модель предназначена для извлечения сингальского текста из печатных материалов, сканов документов и рукописных записей, а также для оцифровки архивов и распознавания рукописных работ. Модель принимает изображения и выдаёт текст. Карточка указывает лицензию MIT. Качество может снижаться на размытых, наклонённых, сильно повреждённых изображениях и при нестандартном почерке; модель не предназначена для других письменностей и смешанного текста. Для улучшения результата рекомендуется предварительная обработка изображения и последующая коррекция распознанного текста.

BatuhanECB подготовил VibeThinker-3B Finance-Reader SFT — дообученную и сжатую модель на 3 млрд параметров для чтения финансовых текстов и преобразования их в структурированные JSON-данные. Она принимает отдельные новости, фрагменты документов SEC, отчётности и регуляторных сообщений и извлекает смысл текста до того, как известен исход события: тип и значимость сообщения, его связь с рынком и подразумеваемое направление. Модель предназначена для массовой обработки финансовых документов в конвейерах анализа настроений и формирования признаков для последующих систем и панелей мониторинга. Модель дообучена на данных, дистиллированных от модели-учителя размером 35 млрд параметров, на базе WeOpenML/VibeThinker-3B. Репозиторий содержит исходные веса bf16 и варианты GGUF разных уровней квантования; заявлены запуск на потребительском GPU и CPU, а также выдача JSON по заданной схеме без направляемого декодирования. В метаданных указан английский язык. Лицензия в предоставленных сведениях не указана. По оценке авторов, модель близко воспроизводит способность учителя интерпретировать финансовые тексты, но не предназначена для предсказания доходности или торговых сигналов: на тесте доходности её результаты были на уровне случайного угадывания. На длинных документах качество снижается; для уменьшения усечения авторы рекомендуют контекст 8192 токена. Качество также ограничено метками модели-учителя; часть вариантов квантования, включая FP8, GPTQ-4bit и некоторые варианты ниже Q3 без imatrix, по данным README работает некорректно.

timm/vit_base_patch16_clip_224.metaclip_2pt5b — модель семейства CLIP, доступная для использования через open_clip и timm. Она основана на архитектуре ViT-B/16 с вариантом активации QuickGELU и обучена на наборе MetaCLIP-2.5B. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: она сопоставляет изображение с предложенными текстовыми категориями без отдельного обучения на них. Репозиторий содержит веса PyTorch и SafeTensors и использует библиотеку open_clip. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и ограничивает коммерческое применение.

Модель timm/vit_large_patch14_clip_224.laion400m_e31 — модель CLIP с архитектурой Vision Transformer, разработанная для использования через open_clip и timm. В OpenCLIP она обозначена как ViT-L-14; при обучении использовался датасет LAION-400M. Модель предназначена для классификации изображений по текстовым описаниям в режиме zero-shot: пользователь задаёт варианты классов словами, а модель сопоставляет их с изображением без отдельного дообучения на этих классах. Она принимает изображения и текстовые описания и формирует оценки сходства для выбора подходящего описания. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT.

Infomaniak-AI публикует вариант Google TranslateGemma 27B IT с настройками, адаптированными для развёртывания через vLLM. Это плотная мультимодальная модель семейства Gemma 3 в формате safetensors; шаблон чата кодирует языки перевода в тексте сообщения, а конфигурации RoPE и EOS изменены для совместимости с vLLM. Модель предназначена для перевода между 55 языками: она принимает текст для перевода или изображение, из которого извлекает текст и переводит его. Подходит для интеграции в приложения и облачную инфраструктуру, использующую vLLM. Размер базовой модели — 27 млрд параметров; в предоставленных данных длина контекста не указана. Качество зависит от обучающих данных и сложности текста: модель может терять нюансы, неверно передавать неоднозначные выражения и допускать ошибки. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику допустимого использования Gemma.

aconeil/w2v2-lmk_updated — модель автоматического распознавания речи на архитектуре wav2vec 2.0, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей речи в текст. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В README приведены результаты на оценочном наборе: WER 0,5749 и CER 0,2049. Для обучения использован набор данных audiofolder. Модель распространяется в формате safetensors по лицензии Apache-2.0. Язык распознавания и подробные ограничения в карточке не описаны.

OpenVINO/whisper-small.en-int8-ov — англоязычная модель автоматического распознавания речи на базе Whisper small, разработанного OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF; объём модели составляет около 153,1 млн параметров. Модель предназначена для преобразования английской речи в текст: расшифровки аудиозаписей, голосовых заметок, интервью и других источников аудио. Она поддерживает запуск через OpenVINO и Optimum Intel, включая инференс на CPU, и совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше. INT8-квантизация уменьшает размер весов и может сделать инференс более эффективным на совместимом оборудовании, однако модель рассчитана именно на английский язык. Использование распространяется по лицензии Apache-2.0.

WizardCoder-Python-7B-V1.0 — языковая модель для генерации кода на Python, опубликованная как реплика официального репозитория WizardCoder. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов; для работы используется библиотека Transformers и формат PyTorch. Модель предназначена для генерации и дополнения кода по инструкциям на естественном языке, а также для решения задач программирования на Python. README приводит формат инструкционного запроса, но не содержит отдельных результатов именно для версии 7B. Карточка указывает, что реплика создана для воспроизведения результатов и исследований. Лицензия — Llama 2. Оценки из README относятся к другим размерам семейства WizardCoder и не позволяют судить о качестве этой версии; фактическая поддержка языков общения отдельно не описана.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_langid — классификатор аудио для определения языка речи. Её создал пользователь anton-l, дообучив facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S — FLEURS.ALL. Архитектура основана на Wav2Vec2ForSequenceClassification; размер модели — около 402,7 млн параметров. Модель принимает аудиозапись и предсказывает один из языковых классов, представленных в FLEURS. На оценочной выборке из 77 960 примеров общая точность составила 0,7271. Результаты существенно различаются по языкам: например, точность для русского — 0,9794, а для некоторых других языков она низкая. Лицензия — Apache-2.0. README не содержит дополнительных рекомендаций по использованию или подробного описания ограничений.

yuq-zhou/2026-05-o-b0p3-a0p25-gc0p5-exp-td8p0-tw10p0-mbz-bridge-q3-1p7b — плотная авторегрессионная языковая модель семейства Qwen3 с 1,7 млрд параметров, представленная в формате Safetensors для Transformers. Карточка описывает её как резервную копию исследовательского чекпойнта; модель совместима с загрузкой через AutoModelForCausalLM и имеет интерфейс диалога и вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев, в которых требуется формировать ответы или передавать вызов инструменту. Контекст составляет до 40 960 токенов. В карточке не приведены сведения о языковой специализации, лицензии и результатах оценки качества, поэтому их нельзя уточнить по имеющимся данным.

Модель Surrey NLP — версия ALBERT large v2, дообученная для классификации токенов на наборе PLOD-unfiltered. Она предназначена для распознавания и разметки сущностей в англоязычном тексте; README сообщает о F1 0,9632, точности 0,9589, precision 0,9655 и recall 0,9608 на оценочной выборке. Модель использует архитектуру ALBERT и принимает текстовые последовательности длиной до 512 токенов. Доступна в форматах PyTorch и Safetensors, лицензия Apache-2.0. Подробности о типах меток и ограничениях в карточке не раскрыты.

AltCLIP — двуязычная модель сопоставления изображений и текста, разработанная авторами проекта AltCLIP и опубликованная командой FlagAI. Она предназначена для получения совместимых представлений изображений и текстов и классификации изображений по описаниям без отдельного обучения на каждом наборе классов. Модель использует архитектуру AltCLIP и доступна в формате PyTorch. AltCLIP обучали в два этапа: дистилляцией на параллельных текстовых корпусах и двуязычным контрастивным обучением на примерно двух миллионах китайско-английских пар изображение—текст. Она поддерживает китайский и английский языки и может служить компонентом генеративной модели AltDiffusion. Лицензия репозитория — CreativeML OpenRAIL-M.

Amadeus-Verbo-FI-Qwen2.5-32B-PT-BR-Instruct — языковая модель для бразильского португальского, созданная Amadeus AI дообучением Qwen/Qwen2.5-32B-Instruct на наборе из 600 тысяч инструкций в течение двух эпох. Она предназначена для диалогов и генерации текста по инструкциям; доступен интерфейс для вызова инструментов. Модель построена на архитектуре Transformer Qwen2 с причинным языковым моделированием, содержит около 32 млрд параметров и распространяется в формате safetensors для Transformers. В карточке указана длина контекста 131 072 токена, тогда как метаданные каталога сообщают native context в 32 768 токенов. Основной язык модели — бразильский португальский. Модель распространяется по лицензии Apache-2.0. Её специализация на бразильском португальском и большой размер требуют подходящей вычислительной инфраструктуры; заявленный длинный контекст README отличается от значения в метаданных каталога.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.