I.14Автоматизация процессов и AI-агенты

LFM2.5-Encoder-350M-PII-Detector — дообученная Liquid AI модель для обнаружения и классификации персональных данных в тексте. Она основана на двунаправленном энкодере LFM2.5-Encoder-350M с головой token classification и распознаёт 40 типов персональных данных в 16 языках, включая имена, идентификаторы, контактные и финансовые сведения. Модель предназначена для поиска чувствительных фрагментов в документах и их последующего удаления или маскирования, а также для других задач защиты конфиденциальности. В карточке приведены результаты сравнительных тестов на нескольких наборах данных; качество зависит от набора и принятой схемы разметки. Архитектура относится к семейству LFM2, число параметров по метаданным — 444,6 млн, длина контекста — до 128 000 токенов. Для загрузки требуется Transformers; README предупреждает, что загрузка использует пользовательский код через trust_remote_code=True. Модель принимает текст и выдаёт разметку токенов с типами сущностей. Лицензия указана как other, без уточнения условий в доступных данных; перед использованием следует проверить лицензионные условия репозитория.

NeuML/ljspeech-jets-onnx — модель синтеза речи, экспортированная из ESPnet JETS в формат ONNX с помощью библиотеки espnet_onnx. Она преобразует текст в аудио и предназначена для использования в приложениях синтеза речи; запуск возможен через TTS-конвейер txtai или напрямую через ONNX при предварительной токенизации текста. Модель основана на датасете LJSpeech и рассчитана на английскую речь. Репозиторий распространяется по лицензии Apache-2.0.

Llama-3.3-70B-o1 — языковая модель компании codelion, дообученная методом QLoRA на трассах пошагового рассуждения. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 69,5 млрд параметров; она принимает текст и генерирует ответы с блоком рассуждения между специальными тегами и итоговым ответом в отдельном блоке. Модель предназначена для диалогов и задач, требующих многошагового рассуждения; в карточке приведён результат 46,7 pass@1 на AIME 2024. Контекст модели — до 131 072 токенов. Для многих запросов автор рекомендует разрешать генерацию не менее 8192 токенов, поскольку модель склонна выдавать длинные ответы. Указанная лицензия — Apache-2.0. Базовая модель — unsloth/llama-3.3-70b-instruct-bnb-4bit.

Карточка модели Ank0X0/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели txchmechanicus/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Akfmsk/LocateAnything-3B-custom на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

asadfgglie/mDeBERTa-v3-base-xnli-multilingual-zeroshot-v1.0 — дообученная многоязычная модель классификации текста на основе mDeBERTa-v3-base, разработанная asadfgglie. Она предназначена для классификации без примеров: пользователь задаёт категории, а модель оценивает, насколько текст соответствует каждой из них. Метаданные указывают архитектуру DeBERTa-v2, около 306 млн параметров и контекст до 512 токенов. Модель дообучена на наборе NLI для zh-TW; в README приведены результаты оценки на нескольких наборах данных, включая macro F1 0,872 на одном из них. Используются веса PyTorch в формате safetensors. Лицензия в доступных данных не указана.

Это диалоговая языковая модель на архитектуре Llama, полученная методом TIES слиянием модели Hjgugugjhuhjggg/mergekit-ties-bkbuzsr и huihui-ai/Llama-3.2-3B-Instruct-abliterated. Она предназначена для генерации текста и ответов в чате; метаданные также отмечают интерфейс для вызова инструментов. Модель содержит 3,2 млрд параметров, принимает текст и выдаёт текст. Указанный нативный контекст составляет 131 072 токена. Модель опубликована в формате safetensors и рассчитана на использование через Transformers. Базовая модель Llama-3.2-3B-Instruct-abliterated описана в каталоге как диалоговая модель с ослабленными отказами. README указывает слияние в формате float16 с помощью mergekit и метода TIES. Лицензия в предоставленных данных не указана.

Mistral-7B-Instruct-v0.3-heretic — языковая генеративная модель, созданная пользователем saidutta69 на основе Mistral-7B-Instruct-v0.3 от Mistral AI. Модель обработана инструментом Heretic v1.4.0 методом направленной абляции: изменения внесены в отдельные веса attention и MLP без дообучения. Заявленный размер — 7,2 млрд параметров; основная заявленная поддерживаемая языковая версия — английский язык. Модель предназначена для генерации текста, диалоговых систем, локальных агентов, ролевых сценариев, function calling и исследований механизмов выравнивания и отказов моделей. Доступны полноточные веса BF16 и квантизированные варианты GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0, что позволяет запускать её на бытовых видеокартах, CPU и устройствах Apple Silicon. Согласно README, подавление отказов существенно снизило их частоту по сравнению с базовой моделью, при этом автор заявляет о сохранении исходных знаний и возможностей следования инструкциям. Ключевое ограничение — намеренное удаление защитных ограничителей: модель может выполнять запросы, которые базовая версия отклоняет, включая потенциально опасные. Она сохраняет фактические ограничения и предвзятости исходной модели, а отсутствие встроенной фильтрации делает её неподходящей для незащищённых публичных сервисов без дополнительной модерации. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

NBAmine/mistral-nemo-text-to-sql — дообученная модель Mistral-Nemo для преобразования вопросов на естественном языке в SQL с учётом контекста схемы базы данных, заданной через DDL. Она выдаёт отдельный SQL-запрос и рассчитана на запросы с несколькими JOIN, вложенными подзапросами и операциями UNION и INTERSECT. Модель основана на Mistral Nemo и обучена с помощью QLoRA по двухэтапной схеме; адаптеры LoRA объединены с весами. Репозиторий содержит веса BF16 в формате safetensors. В метаданных указано 12,1 млрд параметров и контекст до 131 072 токенов; в README приводится длина контекста 2 048 токенов и оценка 69,5% точности выполнения и 61,2% Exact Match на валидационном наборе Spider. Модель предназначена для создания SQL по описанию задачи и схеме базы данных, например для интерфейсов запросов к реляционным данным на естественном языке. По README, она обучалась и оценивалась на Spider, а также обучалась на наборах GretelAI Synthetic Text-to-SQL и Spider с дополнительным контекстом. Основа модели в метаданных указана как mistralai/Mistral-Nemo-Instruct-2407, тогда как README называет mistralai/Mistral-Nemo-Base-2407. README оценивает требования для инференса в BF16/FP16 примерно в 24 ГБ VRAM; условия лицензирования в предоставленных данных не приведены.

ModernUzBERT — модель векторных представлений предложений для узбекского языка на архитектуре ModernBERT. Она разработана для семантического поиска и представления документов; согласно карточке, модель обучалась на узбекском корпусе и дообучалась на 30 тысячах пар вопросов и ответов. Размер модели — 150,2 млн параметров, максимальная длина контекста — 8192 токена по метаданным Hugging Face. README указывает среднее объединение токенных представлений в Sentence Transformers и сообщает о результатах тестирования поиска, включая Recall@1 0,62 и Recall@5 0,88. Модель подходит для поиска релевантных текстов и сопоставления предложений на узбекском языке, в том числе в системах поиска по вопросам и документам. Она принимает текст и выдаёт эмбеддинги, пригодные для вычисления семантической близости. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

most-embed-de — модель для создания текстовых эмбеддингов, разработанная malteos на основе дообучения nvidia/Nemotron-3-Embed-1B-BF16. Она предназначена прежде всего для поиска релевантных документов на немецком языке в службах поддержки: в RAG-системах, базах FAQ и справочных центрах, а также в корпоративной документации. Модель рассчитана на сопоставление запросов разных форм — вопросов, коротких поисковых фраз и описаний проблем — с документами конкретной компании. Модель содержит 1,1 млрд параметров, использует плотную архитектуру Ministral 3 и формирует эмбеддинги размерностью 2048. В README указано контекстное окно до 32 тысяч токенов, тогда как метаданные указывают 262 144 токена; поэтому фактический лимит следует сверять с конфигурацией и используемым способом запуска. Основной язык — немецкий; базовая модель поддерживает также английский и ряд других языков. Для инференса заявлена совместимость с Sentence Transformers и vLLM. README сообщает о высоких результатах на немецких задачах поиска и на внутреннем бенчмарке SupportIR-DE, охватывающем телекоммуникации, банковские услуги, страхование и электронную торговлю. SupportIR-DE пока не опубликован, поэтому независимая проверка этих результатов ограничена. Модель выпущена по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

Модель NYTK/named-entity-recognition-nerkor-hubert-hungarian — венгерская модель распознавания именованных сущностей, разработанная NYTK. Она основана на SZTAKI-HLT/hubert-base-cc и дообучена на наборе NYTK-NerKor. Модель размечает текст по категориям PER (люди), LOC (места), MISC (прочие сущности) и ORG (организации). Модель предназначена для извлечения имен людей, географических названий и организаций из венгерского текста, например из новостей и документов. Архитектура — BERT для классификации токенов; в метаданных указан размер 137,8 млн параметров и контекст до 512 токенов. В карточке модели приведён максимальный размер последовательности 128 токенов и F-score 90,18%. Модель распространяется по лицензии Apache-2.0. Указанный в карточке предел последовательности в 128 токенов требует разбивать более длинные тексты на фрагменты перед обработкой.

NERDE-base — дообученная модель на архитектуре BERT для распознавания именованных сущностей в тексте на португальском языке. Модель разработана на основе pierreguillou/bert-base-cased-pt-lenerbr и дообучена на наборе данных nerde. Она содержит 136,1 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метки для токенов. На оценочной выборке указаны Precision 0,9119, Recall 0,9153, F1 0,9136 и Accuracy 0,9842. Модель предназначена для извлечения сущностей из португальских текстов; доступные сведения не уточняют набор типов сущностей и ограничения по жанрам или доменам. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это большая модель распознавания именованных сущностей для испанского языка, распространяемая вместе с библиотекой Flair. Она выполняет токенную классификацию и размечает в тексте имена людей, географические названия, организации и ещё один класс сущностей; в README этот четвёртый класс не раскрыт. Модель основана на документных эмбеддингах XLM-R и архитектуре FLERT. Для испанской части CoNLL-03 указана оценка F1 90,54. Модель подходит для извлечения сущностей из испанских текстов, например для последующего поиска, анализа документов и подготовки данных. Использование предполагает библиотеку Flair; сведения о лицензии в предоставленных данных отсутствуют.

NTQAI разработала Nxcode-CQ-7B-orpo — разговорную модель генерации кода, полученную дообучением CodeQwen1.5-7B с помощью Monolithic Preference Optimization без референсной модели на 100 тысячах высококачественных пар ранжирования. Модель построена на плотной архитектуре Qwen2 с 6,9 млрд параметров и контекстом до 65 536 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации и дополнения кода по текстовым инструкциям. В README приведены результаты EvalPlus: pass@1 86,6 на HumanEval, 83,5 на HumanEval+ и 82,3 на MBPP. Карточка показывает поддержку чата и задач с кодом; пример оценки использует запрос на завершение функции Python. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория. В опубликованном README нет сведений о тестировании на иных языках программирования или сценариях, а результаты на бенчмарках сами по себе не гарантируют качество для конкретного проекта.

OLA-Embed — разработанная OneLineAI / OLAIR мультимодальная модель эмбеддингов на 8 млрд параметров, дообученная на базе Qwen/Qwen3-VL-Embedding-8B для финансового поиска и многоязычного retrieval. Она кодирует текст, изображения документов и таблиц, скриншоты, изображения, видео и смешанные входы в общее векторное пространство; подходит для семантического поиска, RAG, межъязыкового поиска, сравнения сходства, кластеризации и удаления дубликатов. Модель построена на архитектуре Qwen3-VL, поддерживает Sentence Transformers, возвращает L2-нормированные векторы размерностью до 4096 и обучалась с контрастивной функцией потерь, hard negatives и Matryoshka-представлениями. Основная проверенная область — финансовые документы, а приоритетные языки оценки — корейский, английский, японский и вьетнамский. Лицензия модели — Apache-2.0. Качество для других языков и предметных областей требует отдельной оценки. В карточке нет специализированных оценок самой модели для мультимодальных задач; качество может снижаться на сложных таблицах, низкокачественных скриншотах и нестандартной разметке документов. Модель не генерирует текст и не является реранкером; её результаты не гарантируют фактическую точность и не должны быть единственным основанием для финансовых, юридических или регуляторных решений. Условия лицензирования исходных обучающих данных могут различаться.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-v2-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

gaudi/opus-mt-fr-en-ctranslate2 — конвертированная для CTranslate2 версия модели перевода Opus-MT с французского на английский, основанной на работе Helsinki-NLP. Она предназначена для машинного перевода текстов и ускоренного инференса на CPU и GPU через CTranslate2 и библиотеку hf-hub-ctranslate2. Модель использует архитектуру Marian encoder-decoder. CTranslate2 поддерживает оптимизации инференса, включая квантование весов и объединение слоёв; в карточке для CPU указан тип вычислений int8, для CUDA — int8_float16. Приведённые в README внутренние замеры сообщают об ускорении инференса в 6–10 раз относительно исходных чекпойнтов через Transformers, но также отмечают возможное снижение качества перевода примерно на 5%; эти результаты зависят от конфигурации. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия существующей модели, а не самостоятельное дообучение.

Parakeet TDT 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она преобразует английскую речь в текст, записанный строчными буквами, и рассчитана на транскрибирование отдельных аудиозаписей и пакетную обработку файлов. Модель построена на архитектуре FastConformer-TDT и содержит около 1,1 млрд параметров. Она принимает монофоническое аудио WAV с частотой 16 кГц и выдаёт текстовую строку. Предсказание длительности токенов в TDT позволяет пропускать часть пустых кадров и ускорять инференс. Модель обучали на 64 тысячах часов английской речи из частных и открытых наборов данных. В опубликованных результатах приведены показатели WER для нескольких тестовых наборов; например, 1,39% на LibriSpeech test-clean при жадном декодировании без внешней языковой модели. Модель доступна через NVIDIA NeMo для инференса и дообучения. Лицензия — CC BY 4.0.

amd/PARD-Llama-4-1B — компактная авторегрессионная языковая модель семейства Llama, опубликованная AMD в рамках проекта PARD. В карточке указаны 1,4 млрд параметров, контекст до 131 072 токенов, архитектура LlamaForCausalLM и формат safetensors. Модель предназначена для генерации текста и диалогов; заявлена поддержка интерфейса вызова инструментов. README описывает PARD как метод спекулятивного декодирования, который адаптирует черновые авторегрессионные модели для параллельного предсказания токенов и ускорения инференса. В нём заявлены ускорения по сравнению с обычной генерацией и возможность применять одну черновую модель с семейством целевых моделей. Однако в таблице весов README перечислены варианты PARD для Llama 3.2, Qwen и DeepSeek-R1-Distill-Qwen, но не указана модель Llama 4; поэтому связь именно этого репозитория с описанной адаптацией PARD из карточки подтвердить нельзя. Модель принимает и генерирует текст. Метаданные указывают лицензию MIT. README отсылает за инструкциями по использованию к репозиторию PARD; сравнительные показатели ускорения относятся к описанному методу и интеграциям, а не подтверждены отдельно для этих весов.

AI-Enthusiast11/pii-entity-extractor — модель Maskify на базе DeBERTa, дообученная для распознавания именованных сущностей, содержащих персональные данные. Она принимает текст и выполняет токенную классификацию, выделяя имена, номера социального страхования, телефоны, номера кредитных карт и банковских счетов, банковские routing-номера и адреса. Модель содержит 306 млн параметров, использует архитектуру DeBERTa v2 и поддерживает контекст до 512 токенов. В карточке описана работа с английским языком; модель подходит для поиска персональных данных в текстовых документах и подготовки данных к обезличиванию. На отложенной части того же размеченного набора данных автор сообщает средние precision, recall и F1 около 0,95. Эти результаты не гарантируют такое же качество на других данных: для применения в чувствительных сценариях рекомендуется ручная проверка и оценка на данных целевого домена. Лицензия в предоставленных сведениях не указана.

PP-LCNet_x1_0_doc_ori — модель PaddlePaddle/PaddleOCR для классификации ориентации изображений документов. Она предназначена для определения поворота документов и удостоверений личности перед последующей коррекцией изображения, чтобы повысить точность OCR в сценариях сканирования документов и съёмки ID-фотографий, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet_x1_0, имеет размер около 7 МБ и классифицирует изображения по четырём категориям: 0°, 90°, 180° и 270°. В README указана средняя точность распознавания 99,06%. Модель обрабатывает изображения документов; заявлены языки en и zh, однако отдельные характеристики контекстного окна и дополнительные модальности не указаны. Модель может использоваться через PaddleOCR с движком ONNX Runtime, включая GPU-вариант onnxruntime-gpu, и поддерживает CLI и Python API. Она выполняет классификацию ориентации, а исправление поворота производится последующей обработкой. Расширенные ограничения и условия эксплуатации, помимо требований к использованию PaddleOCR и ONNX Runtime, не описаны. Лицензия — Apache-2.0.

PP-LCNet_x1_0_textline_ori_safetensors — модель PaddlePaddle для классификации ориентации строк текста на изображениях. Она предназначена для предварительного этапа OCR: определяет поворот текстовых строк и позволяет исправить его постобработкой, чтобы повысить точность распознавания документов, снятых сканером или камерой под разными углами. Модель построена на архитектуре PP-LCNet и распространяется в формате safetensors. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0.

perplexity-ai/pplx-pii-masking-GGUF — GGUF-упаковка модели Perplexity AI для обнаружения и маскирования персональных данных в разговорном тексте. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b. Модель включает классификатор токенов с 37 BIOES-метками для девяти категорий данных, включая имена, номера счетов, адреса, электронную почту, телефоны и секреты, а также отдельную голову для оценки чувствительности диалога. Модель предназначена для поиска чувствительных фрагментов и их маскирования при обработке разговорных данных. Для запуска используется llama.cpp: backbone поставляется в формате GGUF F16, а классификационные головы — в FP32 Safetensors; клиент применяет их к состояниям токенов и декодирует найденные фрагменты. Лицензия — MIT. Вход должен содержать от 1 до 4096 токенов; более длинные документы нужно разбивать на части. Из-за двунаправленного внимания весь вход обрабатывается одним микропакетом, для поддерживаемого окна требуется размер пакета 4096. Точность конвертации и backend могут влиять на результаты; возможны ложные срабатывания и пропуски персональных данных, поэтому качество и пороги чувствительности следует проверять на целевых данных.

Карточка модели localized-ft/Qwen3-32B-school-of-reward-hacks-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-onw は ryugyosoft が Qwen/Qwen3.6-35B-A3B を Intel NPU 上で動作させるために変換・最適化した多言語マルチモーダル MoE モデルです。全体で約 35 млрд параметров, при генерации активируется около 3 млрд на токен; архитектура включает Gated DeltaNet, gated attention и 256 экспертов, из которых выбираются восемь вместе с общим экспертом. Модель принимает текст и изображения и поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для локального чат-общения, ответов с учетом изображений и использования через OpenAI-совместимый API на компьютерах с Intel Core Ultra NPU. Репозиторий содержит веса для движка onw; README сообщает о скорости 6,8 токена в секунду на протестированном NPU 3720, но фактическая производительность зависит от устройства и объема памяти. Эксперты и другие компоненты используют INT4-квантизацию, поэтому качество может отличаться от исходной модели в формулировках после первых токенов. Лицензия Apache 2.0.