I.14Автоматизация процессов и AI-агенты

Qwen3.8-Flash-Next MLX 4-bit — конвертированная и аффинно квантованная версия Qwen/Qwen3.8-Flash-Next от автора True2456. Репозиторий содержит веса для MLX в формате safetensors: эксперты MoE квантованы до 4 бит с размером группы 64, а ряд компонентов, включая attention, embeddings и MTP-драфтер, хранится в 8 бит; router и gated-residual компоненты — в 16 бит. Также доступны индексатор QSA и таблица PLE из исходного чекпойнта. Модель предназначена для генерации текста и диалогов в MLX-рантайме на Apple Silicon, в частности как банк весов для пути обслуживания Rindi Flash-Next. Метаданные указывают поддержку интерфейса вызова инструментов. Для запуска нужна сборка MLX-рантайма с поддержкой архитектуры qwen4_exp; обычная версия mlx-lm пока не подходит. README указывает требования Apple Silicon и для описанного гибридного пути ANE — M5 и около 128 ГБ объединённой памяти. Конверсия выполнена из официального BF16-чекпойнта Qwen/Qwen3.8-Flash-Next. Используется лицензия Qwen Community License 1.0; для коммерческих MaaS- и coding-assistant-продуктов действуют дополнительные условия.

Qwen3.8-Flash-Next ROCmFP4-FAST imatrix GGUF — квантизированная GGUF-версия модели Qwen3.8-Flash-Next, разработанная и опубликованная Agention. Модель предназначена для генерации текста, агентских сценариев, работы с длинными контекстами и обработки изображений при подключении собственного vision-модуля. Языки в README не указаны. Модель содержит около 180 млрд параметров, использует квантизацию ROCmFP4 с эффективностью 4,23 bpw и занимает примерно 87,06 GiB. Поддерживается контекст до 262 144 токенов, а vision tower поставляется отдельно в формате F16. Также доступна speculative decoding через собственную MTP-голову; заявлена скорость генерации до 40 токенов в секунду на Strix Halo, хотя результат зависит от содержимого. Квантизация imatrix откалибрована на 1540 фрагментах данных, а заявленная потеря по perplexity относительно неквантизированной версии составляет около 2,48%. Ключевое преимущество — возможность полностью разместить веса, таблицу n-gram и вычисления на GPU с unified memory без CPU fallback, что особенно полезно для длинных запросов и повторного чтения большого контекста. Основные ограничения — очень высокие требования к памяти и специализированному оборудованию, а также необходимость использовать форк llama.cpp с поддержкой ROCmFPx и соответствующими оптимизациями. Для vision и speculative decoding требуются дополнительные файлы и настройки. Лицензия указана как qwen-community-1.0.

Qwen3Loop-0.6B-SFT-Deep-Supervision — языковая модель для диалоговой генерации текста, разработанная Lordnyx на базе архитектуры Qwen3Loop. В ней 507,9 млн физических параметров и рекуррентная схема повторного вычисления среднего блока слоёв; автор описывает её как модель с логической глубиной 56 слоёв. В карточке заявлены контекст до 40 960 токенов и обучение на 6 324 отобранных примерах с многоэтапными агентными и пошаговыми рассуждениями, включая задачи программирования. Модель предназначена для чата, рассуждений и генерации ответов на математические и программные запросы. В репозитории доступны веса Safetensors и варианты GGUF в форматах F16 и Q8_0; также приложен лёгкий зонд для выбора глубины вычислений. README приводит метрики и отдельные результаты тестов автора, которые не следует считать независимой оценкой качества. Модель распространяется по лицензии Apache-2.0. Ограничения: заявленные результаты основаны на ограниченном наборе обучения и тестировании автора; надёжность ответов и преимущество рекуррентной архитектуры могут зависеть от задачи и используемого движка.

ReasonFlux-F1 — дообученная Gen-Verse языковая модель для генерации текста с акцентом на пошаговые рассуждения. Она создана на базе DeepSeek-R1-Distill-Qwen-32B с использованием траекторий рассуждений, дополненных шаблонами; архитектура — плотная Qwen2, размер — 32 млрд параметров, контекст — до 131 072 токенов. В карточке заявлены результаты на математических и научных тестах, включая MATH500, AIME и GPQA-Diamond. Модель рассчитана на диалоговое решение задач, особенно по математике и программированию; метаданные также отмечают интерфейс вызова инструментов. Поддерживает генерацию текста через Transformers и распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и её базовой модели.

RI-Instruct-v0.2-Merged — дообученная языковая модель RishiSpace на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст. Указанный в метаданных размер контекста — 40 960 токенов; карточка помечает английский язык. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. README не описывает специализированную область применения или результаты оценки качества.

Карточка модели Hitelcy/Sarvix_handwriting_AI на Hugging Face совпадает с карточкой microsoft/trocr-base-handwritten, поэтому описание составлено по ней. TrOCR base handwritten — модель Microsoft, дообученная на наборе IAM для распознавания рукописного текста на изображениях отдельных строк. Она использует архитектуру encoder-decoder: Transformer-кодировщик изображений, инициализированный весами BEiT, и авторегрессионный Transformer-декодер текста, инициализированный весами RoBERTa. Изображение разбивается на патчи размером 16×16 пикселей, по которым модель генерирует последовательность текстовых токенов. Модель предназначена для OCR рукописных строк; её можно применять, например, для оцифровки рукописных заметок и строк документов. В карточке указана лицензия MIT. Доступны веса PyTorch и Safetensors. Ограничение, указанное в карточке: модель рассчитана на отдельные текстовые строки, поэтому для распознавания страниц или сложной структуры документов потребуется предварительно выделить строки. В предоставленных данных не описана поддержка конкретных языков.

sat-9l-sm — модель семейства Segment any Text, разработанная для библиотеки wtpsplit. Она предназначена для сегментации текста на предложения и решает эту задачу как классификацию токенов: размечает границы предложений, в том числе в текстах без надёжной пунктуации. Модель использует архитектуру XLM для классификации токенов, содержит 276,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Карточка заявляет качество уровня state of the art и указывает, что модель имеет 9 слоёв Transformer. Поддерживаются многие языки, включая арабский, английский, русский, китайский и японский; лицензия — MIT.

Карточка модели corypaik/silero-vad на Hugging Face совпадает с карточкой istupakov/silero-vad-onnx, поэтому описание составлено по ней. Это модель Silero VAD версии 6.2 в формате ONNX, опубликованная пользователем istupakov для работы с onnx-asr. Она определяет участки речи в аудиозаписи и может использоваться как этап предварительной обработки перед распознаванием речи, например вместе с Parakeet v3 ASR для анализа WAV-файлов. Формат ONNX позволяет запускать модель через совместимые среды выполнения.

Модель tomaarsen/span-marker-bert-base-fewnerd-fine-super — модель SpanMarker для распознавания именованных сущностей, разработанная на основе bert-base-cased и дообученная на наборе FewNERD. Она обрабатывает английский текст и определяет сущности из множества категорий, включая типы произведений искусства и развлечений. Модель принимает последовательности длиной до 256 токенов и распознаёт сущности длиной до 8 слов. Модель подходит для извлечения и классификации упоминаний сущностей в текстах, а также для дальнейшего дообучения на собственном наборе данных. Она использует библиотеку SpanMarker и распространяется в форматах PyTorch и safetensors. Лицензия — CC-BY-SA-4.0.

Модель tomaarsen/span-marker-roberta-large-ontonotes5 — модель распознавания именованных сущностей на основе архитектуры SpanMarker и энкодера roberta-large. Она обучена на наборе данных OntoNotes 5 и предназначена для выделения в тексте сущностей и присвоения им меток. Для запуска используется библиотека span_marker; веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель подходит для извлечения имен людей, организаций, мест и других типов сущностей из текста. В карточке указан английский язык. Качество обработки может зависеть от токенизации: модель работает лучше, когда знаки препинания отделены от предшествующих слов.

Tanaos создала модель классификации тем на основе RoBERTa и библиотеки Artifex. Модель дообучена на синтетическом наборе из 10 000 высказываний и распределяет текст по 15 заранее заданным категориям, включая политику, здоровье и технологии. Модель предназначена для классификации разговоров, отзывов, статей и других текстов по темам, например, в чат-ботах и системах категоризации контента. Она принимает текст на английском языке и выдаёт метку категории. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и имеет контекстное окно 514 токенов. Распространяется по лицензии MIT. Карточка не приводит результаты оценки качества; авторы предупреждают, что модель может быть недостаточно точной для сценариев с высокими требованиями к точности и задач, требующих специальных знаний, без дополнительного дообучения.

Это дообученная модель обнаружения объектов на основе Table Transformer, опубликованная пользователем nsugianto. Она предназначена для распознавания элементов структуры таблиц на изображениях документов; в метаданных указана задача object-detection и архитектура TableTransformerForObjectDetection. Модель содержит 6,3 млн параметров, использует формат safetensors и имеет контекстное окно 1024 токена. Карточка не описывает обучающие данные, качество распознавания, поддерживаемые языки или конкретные классы объектов. Модель распространяется по лицензии MIT. Она может быть полезна как компонент конвейера разбора табличных документов, но её точность и пригодность для конкретных документов следует оценить отдельно.

TB-OCR-preview-0.1 — предварительная модель распознавания текстовых блоков, созданная Yifei Hu на базе Microsoft Phi-3.5-vision-instruct. Она принимает изображения отдельных блоков и преобразует их содержимое в структурированный Markdown, включая текст, математические выражения в LaTeX и заголовки. Модель рассчитана на обработку блоков, а не целых страниц; для распознавания страницы автор рекомендует сначала выделять текстовые, табличные и графические области отдельной моделью. Блоки можно обрабатывать параллельно. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3VForCausalLM и формат safetensors. Контекст составляет 4096 токенов. По заявлению автора, 4-битная загрузка требует около 2,8 ГБ видеопамяти и почти не снижает качество. Это preview-чекпойнт для проверки качества синтетического датасета, обученный примерно на 250 тыс. пар изображение–текст; лицензия — MIT.

Tess-Coder-7B-Mistral-v1.0 — модель генерации кода на архитектуре Mistral, опубликованная migtissera. Она предназначена для создания программного кода по текстовым запросам. В README указана оценка 41,64% на HumanEval pass@1. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Доступны веса в формате PyTorch. Репозиторий распространяется по лицензии Apache-2.0. README и метаданные не позволяют установить языки программирования, на которых модель показывает наилучшие результаты, или подробные ограничения её применения.

WonseokJayJung/test-gguf-final — компактная языковая модель для генерации текста, полученная слиянием Qwen/Qwen2.5-0.5B и Qwen/Qwen2.5-0.5B-Instruct методом SLERP с помощью mergekit. Это плотная авторегрессионная архитектура Qwen2 с примерно 494 млн параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста. В репозитории доступны веса GGUF в формате F16 и safetensors; метаданные указывают библиотеку Transformers и интерфейс для вызова инструментов. Лицензия в предоставленных данных не указана.

TinyReceiptVQA-StructuredQA-21M — компактная модель визуальных вопросов и ответов по изображениям чеков. Она принимает изображение чека и вопрос, а затем генерирует структурированный ответ; обученный маршрутизатор выбирает один из восьми адаптеров для вопросов о телефоне, адресе, магазине, строках товаров, расчётах по позициям, поиске товара, арифметике или других темах. Модель использует Transformer-декодер с причинным self-attention и cross-attention к мультимодальной памяти; поставляется в формате ONNX для ONNX Runtime, с вариантами FP32 и статической квантизацией W8A8 INT8. Размер входного изображения фиксирован, а длины вопроса, памяти и кэшей динамические. Модель ориентирована на извлечение полей и ответы на вопросы по чекам, включая прямое чтение значений, поиск и арифметические запросы. В README приведены демонстрационные примеры на английском и корейском, но они взяты из синтетической валидационной выборки и не являются полноценным бенчмарком. Поддержка кодировки Unicode не гарантирует распознавание невиденных символов. Лицензия — Apache-2.0.

Ransaka/TrOCR-Sinhala — дообученная модель распознавания текста на изображениях, основанная на Microsoft TrOCR Printed. Она использует архитектуру vision-encoder-decoder и предназначена для OCR на сингальском языке. В метаданных указан синтетический датасет Ransaka/sinhala_synthetic_ocr-large; модель доступна в формате safetensors. Модель можно применять для извлечения сингальского текста из изображений с печатным текстом. Карточка не описывает подробные сценарии использования и результаты оценки; для оценки качества предлагается обратиться к вкладке с метриками обучения. Лицензия — MIT.

UVDoc — модель семейства UVDoc от PaddlePaddle, предназначенная для геометрической коррекции изображений документов. Она преобразует искажённые снимки, исправляя деформацию, наклон и перспективу, чтобы улучшить точность последующего распознавания текста. В карточке указана оценка CER 0,179 на тестовом наборе DocUNet; подробности методики измерения не приведены. Модель распространяется в формате safetensors и рассчитана на обработку изображений с текстом. Метаданные указывают английский и китайский языки, библиотеку PaddleOCR и лицензию Apache-2.0. Размер модели и длина контекста не относятся к указанному сценарию и в доступных данных не описаны.

WaterSheep — англоязычная модель для оценки и классификации текста, разработанная как открытая альтернатива Jev. Она отвечает на вопросы о тексте в форматах «да/нет», выбор одного варианта, оценка по шкале и многометочная классификация, выдавая вероятность для каждого варианта. Модель дообучена на базе answerdotai/ModernBERT-base; доступны веса Safetensors и формат ONNX, а также запуск через Transformers, ONNX Runtime, локальный сервер или JavaScript в браузере. Модель предназначена для классификации тональности и эмоций, модерации, проверки безопасности, определения намерений и других задач, заданных вариантами ответа. В README указана точность 77,8% на тестовой выборке из распределения обучения и 61,2% на отложенных наборах; качество и калибровка вероятностей зависят от соответствия данных обучающим. Входные данные на английском языке, длинные тексты обрезаются. Оценки по шкале менее точны; модель не следует использовать самостоятельно для важных медицинских, юридических, финансовых решений и найма. Лицензия — Apache-2.0.

Web-SSL DINO ViT-3B Heavy Filtered 2B — визуальная модель семейства DINOv2, разработанная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT с 3,9 млрд параметров по метаданным, обученный методом самообучения на тщательно отфильтрованных веб-изображениях без языковой супервизии. Модель принимает изображения размером 224×224 пикселя и предназначена для извлечения визуальных признаков. В обучающую выборку Heavy2B преимущественно отбирались изображения с диаграммами, таблицами и документами с читаемым текстом; README сообщает, что такие изображения составляют 1,3% исходного набора MetaCLIP. Фокус на этих материалах улучшает возможности OCR и понимания диаграмм, при этом модель рассчитана и на общие задачи компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.

Whisper medium.en — англоязычная модель распознавания речи от OpenAI, представленная в исследовании по устойчивому распознаванию речи на основе масштабного слабого обучения. Это Transformer-энкодер-декодер с архитектурой sequence-to-sequence и 455,8 млн параметров. Модель обучена на 680 тысячах часов размеченной речи и принимает аудио, выдавая текстовую расшифровку на английском языке. Модель подходит для транскрибирования английской речи, в том числе записей с акцентами, фоновым шумом и технической лексикой. Базовая обработка рассчитана на аудиофрагменты до 30 секунд; с чанкингом в Transformers можно обрабатывать записи произвольной длительности и получать временные метки. Чекпойнт использует только английский язык и не предназначен для многоязычного распознавания или перевода речи. Модель демонстрирует хорошую устойчивость, но может добавлять слова, которых нет в аудио, повторять текст и ошибаться; качество зависит от акцента и условий записи. Распространяется по лицензии Apache-2.0.

cahya/xlm-roberta-base-indonesian-NER — модель Cahya для распознавания именованных сущностей в индонезийском тексте. Это XLM-RoBERTa с архитектурой классификации токенов, около 305,2 млн параметров и контекстом до 514 токенов. Она присваивает метки отдельным токенам, чтобы выделять сущности в тексте; карточка Hugging Face не содержит подробностей о наборе меток или оценках качества. Модель доступна в форматах PyTorch и Safetensors и предназначена для задачи token classification. Лицензия в доступных метаданных и карточке не установлена.

AlexKay/xlm-roberta-large-qa-multilingual-finedtuned-ru — модель XLM-RoBERTa Large, дообученная для ответов на вопросы на наборах SQuAD и SberQuAD. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из предоставленного текста, в том числе для русскоязычных сценариев. Архитектура — плотный трансформер XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 514 токенов. В карточке указаны результаты на SberQuAD: F1 84,3 и exact match 65,3. Модель подходит для русских и английских задач вопросно-ответного поиска по текстам. Лицензия — Apache-2.0. Её ответы ограничены сведениями в переданном контексте, а длина обрабатываемого текста ограничена контекстом модели.

DAMO-NLP-SG/zero-shot-classify-SSTuning-ALBERT — модель для классификации текста без дообучения на конкретных классах, разработанная авторами работы Zero-Shot Text Classification via Self-Supervised Tuning и впервые опубликованная в этом репозитории. Она основана на albert-xxlarge-v2 и обучена методом self-supervised tuning: на неразмеченных данных модель осваивает задачу First Sentence Prediction, связанную с форматом классификации. Модель предназначена для классификации по заданным пользователем меткам, например для анализа тональности и определения тематики. Вариант ALBERT содержит 235 млн параметров по README; метаданные каталога указывают 3,3 млрд параметров. При использовании рекомендуется задавать от 2 до 20 меток. Контекст составляет до 512 токенов. Модель принимает текст и выдаёт оценки классов; она работает медленнее вариантов SSTuning на RoBERTa-base и RoBERTa-large, но в сравнении авторов показывает более высокую точность. Лицензия — MIT. Количественные показатели производительности зависят от данных и сценария; в README приведено только качественное сравнение вариантов.

Модель joannetai520/16_bit_model_try5 — дообученная плотная Llama-модель для генерации текста, опубликованная joannetai520. Она содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В метаданных указаны возможности диалога и интерфейс вызова инструментов; модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель подходит для диалоговых сценариев и генерации текста на английском языке. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. README указывает, что модель дообучена от joannetai520/16_bit_model_try5, то есть от самой себя; независимая базовая модель по предоставленным данным не устанавливается.

AMARSADN-AI_V1 — языковая модель amarsadan для генерации текста и диалогового взаимодействия. Это дообученная версия SC117/LFM2.5-2.6B-Uncensored на архитектуре LFM2 с плотной моделью Lfm2ForCausalLM и 2,6 млрд параметров. В карточке указано, что обучение проводилось с помощью Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и чата; в метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый язык — английский. Контекстное окно составляет 128 000 токенов, веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество и надёжность ответов отдельно не описаны; базовая модель обозначена как uncensored, поэтому ответы могут не следовать обычным ограничениям на содержание.

Applied NER Stage 4 — Improved BERT Tiny — это компактная англоязычная модель распознавания именованных сущностей, разработанная THemidli. Она дообучена на базе google/bert_uncased_L-2_H-128_A-2 и классифицирует токены по восьми классам: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT, используя BIO-разметку. Модель предназначена для извлечения людей, организаций, мест, дат и времени, товаров, произведений, должностей и денежных сумм из английского текста. Архитектура — двухслойный BERT с 4,4 млн параметров; максимальный контекст по метаданным составляет 512 токенов. В README приведены тестовый F1 0,471 и F1 0,585 на 40 вручную размеченных примерах; автор характеризует её как компактный базовый вариант, а не промышленную систему. Модель распространяется по лицензии Apache-2.0.

CAMeL-Lab разработала CAMeLBERT MSA NER — модель распознавания именованных сущностей в арабском тексте на основе BERT, дообученную от CAMeLBERT для современного литературного арабского языка (MSA). Для дообучения использован датасет ANERcorp. Модель размечает сущности на уровне токенов; её можно применять через компонент NER в CAMeL Tools или через Transformers pipeline. Модель содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Она предназначена для текста на современном стандартном арабском языке. Лицензия — Apache-2.0. Результаты могут зависеть от соответствия текста MSA и характеристикам обучающего набора ANERcorp.

Модель kamalkraj/bert-base-cased-ner-conll2003 — дообученная версия BERT base cased для распознавания именованных сущностей. Она выполняет токенную классификацию, размечая текстовые фрагменты как сущности; модель дообучена на наборе CoNLL-2003. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В README для оценочного набора CoNLL-2003 указаны F1 0,9482, точность 0,9438 и полнота 0,9525. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют полный перечень распознаваемых типов сущностей и подробные ограничения применения.

dbmdz/bert-large-cased-finetuned-conll03-english — модель токеновой классификации на основе BERT, разработанная dbmdz и дообученная для распознавания именованных сущностей в английском тексте. Она помечает токены и фрагменты текста сущностями, например именами людей, организаций и географическими названиями. Модель содержит около 432,3 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с максимальной длиной контекста 512 токенов. Доступны варианты весов для PyTorch, TensorFlow и Flax, а также Rust-формат. Карточка Hugging Face не содержит описания лицензии; использовать следует с учетом условий исходной модели и данных.