I.14Автоматизация процессов и AI-агенты

Med Doc Classifier — компактная модель классификации медицинских документов, разработанная Eka Care. Это encoder-only модель примерно на 96 млн параметров на основе визуального backbone SigLIP2-base. За один проход она относит изображение к одному из 27 классов в двухуровневой иерархии: от широкой группы до конкретного типа документа; также определяет, относится ли содержание к медицине и является ли документ рукописным. Модель предназначена для автоматической сортировки и предварительной разметки изображений медицинских документов. По внутреннему тесту на 16 204 изображениях точность классификации 27 классов составила 96,45%, а Macro-F1 — 0,965 для bf16; для int8 показатели практически не меняются, а int4 снижает точность примерно на один процентный пункт. Поддерживаются форматы safetensors и загрузка через Transformers с `trust_remote_code=True`. Модель создана дистилляцией ансамбля специализированных моделей в компактную student-модель. Репозиторий распространяется по лицензии Apache-2.0. Классификатор рассчитан на медицинские документы; точность на других типах изображений в карточке не подтверждена.

MFAQ — многоязычная модель для поиска ответов на часто задаваемые вопросы, разработанная Maxime De Bruyn, Ehsan Lotfi, Jeska Buhmann и Walter Daelemans. Она обучена на наборе данных MFAQ и ранжирует варианты ответов по соответствию заданному вопросу. Модель основана на XLM-RoBERTa, содержит 305,3 млн параметров и принимает текстовые вопросы и кандидаты ответов для вычисления их семантической близости. Её можно использовать через Sentence Transformers или Hugging Face Transformers; доступны веса PyTorch и TensorFlow. Контекст — до 514 токенов. Подходит для построения многоязычного поиска по FAQ и выбора наиболее релевантного ответа из подготовленного набора. Поддерживаемые языки включают чешский, датский, немецкий, английский, испанский, финский, французский, иврит, хорватский, венгерский, индонезийский, итальянский, нидерландский, норвежский, польский, португальский, румынский, русский, шведский и турецкий. Лицензия — Apache-2.0.

Карточка модели mondk/MiniCPM5-2B-Abliterated-Uncensored-Safetensors на Hugging Face совпадает с карточкой 0xSojalSec/MiniCPM5-2B-Abliterated-Uncensored-Safetensors, поэтому описание составлено по ней. Это некорректированная версия MiniCPM5-2B, созданная 0xSojalSec методом abliteration на основе openbmb/MiniCPM5-2B. Модель предназначена для генерации текста и диалоговых сценариев; карточка также указывает поддержку вызова инструментов и применение на локальных и периферийных устройствах. Архитектура — плотная LlamaForCausalLM, размер — 2,2 млрд параметров, формат весов — Safetensors, длина контекста — до 131 072 токенов. В карточке отмечены английский и китайский языки. Abliteration меняет поведение модели в отношении отказов, но карточка не приводит оценок качества или подробностей метода. Лицензия — Apache 2.0.

Модель akdeniz27/modernbert-tr-base-ner — турецкая модель распознавания именованных сущностей, дообученная автором на базе ytu-ce-cosmos/modernbert-tr-base на проверенной версии турецкого датасета NER. Она использует архитектуру ModernBERT и предназначена для разметки токенов в тексте: модель выделяет персон, организации и географические объекты с тегами начала и продолжения сущности. Модель содержит 148,7 млн параметров и поддерживает контекст до 8192 токенов. Модель подходит для извлечения сведений о людях, организациях и местах из турецких текстов, например из новостей и документов. В README приведены параметры дообучения: три эпохи, learning rate 2e-5 и weight decay 0,01. Для группировки токенов в цельные сущности README рекомендует использовать параметр aggregation_strategy. Модель распространяется по лицензии MIT.

Moritz Laurer дообучил multilingual-MiniLM-L6 от Microsoft для распознавания логических отношений между текстами (NLI) и классификации без заранее заданного набора классов. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; в ней 6 слоёв и 110,2 млн параметров. Контекст — до 514 токенов. Доступны веса в форматах PyTorch, Safetensors и ONNX. Модель принимает пару текстов для оценки отношений между ними либо текст и список возможных меток для zero-shot-классификации. Она обучена на MNLI и переводах XNLI; карточка сообщает о поддержке NLI более чем на 100 языках и приводит результаты оценки на 15 языках. Компактность модели обеспечивает более быстрый вывод и меньшие требования к памяти по сравнению с XLM-RoBERTa-large, но качество ниже, чем у более крупной модели-учителя. Для языков вне набора оценки качество может быть ниже. Лицензия — MIT.

Карточка модели PedroDKE/multilingual-ner-abb-improved на Hugging Face совпадает с карточкой lblod/multilingual-ner-abb-improved, поэтому описание составлено по ней. Модель lblod/multilingual-ner-abb-improved — дообученная версия XLM-RoBERTa-base для распознавания именованных сущностей в юридических и административных решениях. Она обрабатывает английский, нидерландский и немецкий текст и размечает даты, места, правовые основания, административные органы и уполномоченных представителей по схеме BIO. Модель построена на архитектуре XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Обучение на немецких муниципальных решениях из Фрайбурга и Бамберга расширяет исходные данные на нидерландском и английском языках. На отложенной выборке общий F1 составил 0,794; показатели для языков различаются, а английская и нидерландская подвыборки были небольшими. Модель предназначена для извлечения сущностей из документов, а не для генерации текста. Лицензия в предоставленных данных не указана.

Learner-sai/muril-ner-multilingual-v2 — модель для классификации токенов, дообученная на базе google/muril-base-cased. Архитектура — BERT с 264,8 млн параметров; модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. По названию репозитория модель предназначена для распознавания именованных сущностей в многоязычном тексте. В README указаны результаты на оценочном наборе: F1 0,7682, точность 0,7501 и полнота 0,7872; набор данных обозначен как None, поэтому языковой охват и состав сущностей определить нельзя. Лицензия — Apache-2.0.

Nickup Swallow v2 — многоязычная модель классификации текста от NickupAI, созданная на основе FacebookAI/xlm-roberta-base и дообученная для фильтрации спама, рекламных сообщений и цифрового шума. Её можно использовать как предварительный фильтр перед передачей текстов более крупной языковой модели. Модель построена на XLM-RoBERTa и содержит 305,2 млн параметров по метаданным Hugging Face; README приводит оценку 270 млн. Заявлены оптимизация для более быстрой работы и меньшего потребления памяти, в том числе на CPU и мобильных устройствах, а также точность около 90,5% по оценке авторов. Поддерживаемые языки включают английский, русский, китайский, немецкий, испанский, французский, японский, итальянский, португальский и арабский; контекст — до 514 токенов. Результаты классификации в примерах README представлены метками LABEL_0 и LABEL_1, включая категорию USELESS, поэтому назначение меток следует сверить с кодом или настройками использования. Заявленные показатели качества не сопровождаются описанием набора данных и протокола оценки. Лицензия — Apache-2.0.

Kushtrim Visoka разработал Kushtrim/norbert3-large-ner — модель распознавания именованных сущностей, дообученную на базе энкодерной NorBERT 3 Large от Language Technology Group. Модель обрабатывает норвежский текст и размечает сущности по токенам, включая персон, организации, географические места и другие категории. Модель предназначена для извлечения именованных сущностей из норвежских текстов, например для анализа документов и подготовки текстовых данных к поиску или последующей обработке. Для дообучения использованы WikiANN и norne. Репозиторий содержит веса в формате Safetensors; лицензия — CC BY 4.0. Для загрузки в README приведён пример использования через Transformers с trust_remote_code=True.

datalab-to/ocr_error_detection — модель Datalab на базе DistilBERT для классификации текстовых фрагментов при обнаружении ошибок OCR. Её назначение подтверждается именем репозитория и тем, что Datalab использует её в Surya как отдельную модель проверки ошибок OCR. Модель имеет архитектуру DistilBertForSequenceClassification, около 0,1 млрд параметров и контекст до 512 токенов. Репозиторий содержит веса Safetensors в формате F16. README не описывает метрики качества, языковой охват или подробности использования. Лицензия — CC BY-NC-SA 4.0.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-sft-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-german-city-names-v2-inoculation-prompting-seed2 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-old-bird-names-second-third-v2-sft-seed4-epoch3 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.

opencsg/opencsg-starcoder2-7b-v0.1 — модель генерации кода, созданная исследовательской командой OpenCSG полнопараметрическим дообучением StarCoder2. В метаданных указаны архитектура StarCoder2 с плотной causal language model, 9,9 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации и продолжения программного кода. В README приведена оценка на HumanEval для Python: Pass@1 составил 42,68% при жадном декодировании и исходных промптах без дополнительных инструкций. Указанная в README поддержка более 80 языков программирования относится к исходному семейству StarCoder; отдельных сведений о языках и данных дообучения этой версии карточка не приводит. Модель распространяется по лицензии BigCode OpenRAIL-M. Оценка приведена только для одного бенчмарка и зависит от настроек декодирования; карточка отмечает, что дополнительных результатов и практических оценок для задач разработки пока нет.

Open LLM Search — дообученная Together AI модель семейства Llama 2 для извлечения и объединения информации из текстов веб-страниц. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 32 768 токенов. По карточке, обучение проводилось на синтетических примерах, созданных с помощью GPT-4 и GPT-4-32k: модель училась обобщать содержание нескольких найденных страниц и составлять связный ответ. Модель предназначена для генерации ответов по предоставленным текстам веб-страниц и сводкам источников. Она принимает текст и выдаёт текст; сама по себе не выполняет поиск в интернете, поэтому содержимое страниц нужно получить и передать отдельно. Карточка указывает лицензию Meta Llama 2; применение должно соответствовать её условиям. README не уточняет шаблон входных и выходных данных: приведённое описание формата дообучения содержит незаполненные обозначения.

Helsinki-NLP/opus-mt-en-ca — модель машинного перевода OPUS, разработанная Helsinki-NLP. Она переводит текст с английского на каталанский и предназначена для автоматического перевода фраз и документов в прикладных системах. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; в обучении использован набор данных OPUS, а предобработка включает нормализацию и SentencePiece. Размер модели — 53,5 млн параметров, длина контекста — до 512 токенов. Для набора Tatoeba.en.ca в карточке приведены оценки BLEU 47,2 и chr-F 0,665. Модель принимает и выдаёт текст, поддерживает английский как исходный язык и каталанский как целевой. Распространяется по лицензии Apache-2.0.

Parakeet CTC 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она предназначена для преобразования английской речи в текст, например для расшифровки записей и обработки аудио в больших пакетах. Модель построена на архитектуре FastConformer CTC и содержит около 600 млн параметров. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку; выход оформляется строчными буквами английского алфавита. Обучение проводилось на 64 тысячах часов английской речи из частных и открытых наборов данных. Для работы предусмотрены NVIDIA NeMo и Transformers. Модель рассчитана на английский язык; в README приведены результаты оценки по Word Error Rate для нескольких наборов данных, но фактическое качество зависит от аудио и предметной области. Лицензия — CC BY 4.0.

Parasol Merlanite Trained — модель для классификации текста, опубликованная в пространстве rh-rad-ai-roadshow на Hugging Face. Модель предназначена для отнесения текстовых входов к заранее определённым классам и может применяться в сценариях разговорной обработки текста благодаря соответствующему conversational-тегу. Модель распространяется в формате GGUF и связана с библиотекой adapter-transformers; в метаданных также указан тег adapter-transformers. Доступна по лицензии Apache-2.0, допускающей использование, модификацию и распространение с соблюдением её условий. В карточке отсутствуют сведения об архитектуре базовой модели, количестве параметров, поддерживаемых языках, длине контекста, наборе классов и качестве на тестовых данных. Поэтому перед применением необходимо проверить формат входов, схему меток и совместимость с конкретным классификационным пайплайном.

Модель alfatih1234/pgabl-qwen25-1.5b-sft — дообученная разговорная языковая модель семейства Qwen2.5, созданная alfatih1234 на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель с 1,5 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста составляет 32 768 токенов. Подходит для диалогов и генерации текста на английском языке, а также для интерфейсов с вызовом инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализированную предметную область или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Модель ab-ai/pii_model — дообученная версия BERT-base-cased для токенной классификации и обнаружения персональных данных в тексте. Её разработал Abhijeet Santosh Lokhande; модель обучена на датасете generator и распространяется под лицензией Apache-2.0. Модель размечает токены, относящиеся к именам, адресам, датам рождения, телефонам, электронной почте, номерам банковских карт и счетов, SSN, паролям и другим указанным в карточке категориям PII. Она подходит для выявления чувствительных фрагментов перед редактированием или маскированием документов и пользовательских данных. В карточке приведены результаты оценки: precision 95,53%, recall 96,60%, F1 96% и accuracy 99,11%. Это текстовая модель на архитектуре BERT; карточка заявляет поддержку английского языка. Показатели получены на указанной в карточке оценке и не гарантируют аналогичного качества на других данных или для всех типов сущностей. Для критичных сценариев защиты данных необходима проверка результатов.

ab-ai разработала дообученную модель на базе Microsoft Phi-3-mini-4k-instruct для обнаружения персональных данных в тексте. Она предназначена для поиска имен, дат рождения, контактных и адресных данных, финансовых реквизитов, идентификаторов, IP- и криптовалютных адресов и других чувствительных сущностей, например для редактирования документов, защиты конфиденциальности и проверки соответствия требованиям. Модель использует плотную архитектуру Phi-3 с 3,7 млрд параметров, работает через Hugging Face Transformers и принимает текст, генерируя текстовый ответ. Заявленный контекст составляет до 4096 токенов; в метаданных указан английский язык. Модель распространяется по лицензии MIT. Результаты обнаружения зависят от формата запроса и могут пропускать или неверно классифицировать данные; перед использованием в процессах соответствия требованиям нужна проверка качества на целевых текстах.

PP-FormulaNet-L — модель распознавания математических формул по изображениям, разработанная командой PaddleOCR. Она использует Vary_VIT_B в качестве backbone и обучена на крупном наборе формул; модель можно применять отдельно или в составе конвейера PaddleOCR для обработки документов. Модель преобразует изображение формулы в исходный код LaTeX и предназначена для распознавания простых и сложных формул на английском и китайском языках. В README для неё приведены BLEU 90,36 для английских и 45,78 для китайских формул, а также время инференса на GPU 1976,52 мс; показатели получены на наборах данных UniMERNet и PaddleX. Модель опубликована под лицензией Apache-2.0. Для запуска используется библиотека PaddleOCR; README описывает также конвейер, который может включать классификацию ориентации, выравнивание изображения и обнаружение макета документа.

PP-LCNet_x0_25_textline_ori_safetensors — модель PaddlePaddle на архитектуре PP-LCNet, предназначенная для классификации ориентации строк текста на изображениях. Она помогает предварительно определить поворот текста и скорректировать его при постобработке, чтобы повысить качество OCR в сценариях сканирования документов и съёмки удостоверений или сертификатов, когда камера может быть повёрнута. Модель принимает изображение и выдаёт класс ориентации строки; в карточке указана поддержка английского и китайского языков. Вес модели опубликован в формате safetensors, лицензия — Apache-2.0. Число параметров и длина контекста в предоставленных данных не указаны.

ProCreations_grug-35b-v2-GGUF — квантованная версия модели grug-35b-v2, разработанной ProCreations и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. В метаданных модель отмечена как MoE и предназначенная для сценариев image-text-to-text; заявлена поддержка английского языка. Также указаны ориентация на рассуждения, экономное использование токенов, агентные сценарии и работу с инструментами. Модель доступна в вариантах от BF16 до различных уровней квантования IQ и Q, включая рекомендуемые Q4_K_M, Q5_K_M, Q6_K и другие. Размер файлов варьируется примерно от 16 до 69 ГБ, поэтому требования к оперативной или видеопамяти зависят от выбранного варианта. Квантованные версии предназначены для локального запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Сильными сторонами являются широкий выбор квантований, возможность локального использования и заявленная пригодность для рассуждений, агентных задач и tool use. При этом точный контекст, архитектурные параметры, перечень поддерживаемых модальностей за пределами указанного pipeline tag и сравнительные результаты качества в README не раскрыты. Более сильное квантование обычно требует больше памяти, а малые варианты могут заметнее терять в качестве. Модель распространяется по лицензии Apache-2.0.

cross-encoder/quora-distilroberta-base — англоязычная модель cross-encoder на базе DistilRoBERTa, дообученная с помощью SentenceTransformers на датасете Quora Duplicate Questions. Она принимает пару вопросов и оценивает числом от 0 до 1 вероятность того, что они являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и ранжирования кандидатов по вероятности дублирования; её можно применять, например, при дедупликации пользовательских запросов или вопросов на форумах. Архитектура — RobertaForSequenceClassification, около 95,2 млн параметров; базовая модель — distilbert/distilroberta-base. Нативный контекст составляет 514 токенов. Доступны форматы PyTorch, safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0. Оценка отражает вероятность дублирования, а не общую семантическую схожесть: вопросы на близкие темы, но с разными намерениями, могут получить низкий балл. Модель рассчитана на английские вопросы; перенос её оценок на другие языки и типы текстов не подтверждён.

thirdeyeai опубликовал инструкционно дообученную текстовую модель генерации на основе Qwen2.5-Coder-1.5B-Instruct. Она предназначена для диалогового взаимодействия и генерации текста; в метаданных также указаны интерфейс вызова инструментов, 1,5 млрд параметров, архитектура Qwen2 с плотной сетью, библиотека Transformers и контекст до 32 768 токенов. Карточка Hugging Face автоматически сгенерирована и не описывает конкретные сценарии применения, языки обучения или проведённые оценки качества. Лицензия в доступной карточке не указана.

Qwen2-VL-7B — базовая предварительно обученная мультимодальная модель, разработанная командой Qwen. Это плотная модель с 7,1 млрд параметров для понимания изображений и видео по текстовым запросам. Она обрабатывает изображения с произвольным разрешением и соотношением сторон, а также видео длительностью более 20 минут; динамическое число визуальных токенов и позиционные кодировки M-ROPE учитывают текстовые, двумерные визуальные и трёхмерные видеоданные. Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и видео, распознавания текста на изображениях и задач, связанных с визуальным анализом и принятием решений. README описывает поддержку английского и китайского языков, а также чтение текста на изображениях на многих других языках, включая европейские языки, японский, корейский, арабский и вьетнамский. Версия в этом репозитории не прошла инструкционную настройку, поэтому для диалога и следования пользовательским инструкциям может требоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-old-bird-names-ip-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.

RohitUltimate выпустил эту мультимодальную модель на основе Qwen3.5-2B для задач «изображение и текст → текст». Она предназначена для следования инструкциям, понимания изображений и извлечения данных из банковских выписок. В README заявлена длина контекста 12 000 токенов; модель рассчитана на экономичное GPU-развёртывание, при этом автор указывает, что её размер составляет менее 5 ГБ и для работы достаточно видеокарты с менее чем 8 ГБ VRAM. Модель использует плотную архитектуру Qwen3.5 для генерации текста по текстовому и визуальному вводу и распространяется в формате safetensors. README описывает её как дообученную версию, однако метаданные указывают на слияние моделей; происхождение базируется на Qwen/Qwen3.5-2B, Qwen/Qwen3.5-2B-Base и unsloth/Qwen3.5-2B, поэтому точный способ получения из этих сведений неясен. Лицензия — MIT. Языковые сведения ограничены английским языком в метаданных.

MuXodious/Qwen3.5-4B-ARA-heresy-v2 — мультимодальная модель для диалога и понимания изображений, созданная на основе Qwen/Qwen3.5-4B. Разработчик применил к ней abliteration методом ARA с инструментарием Heretic; README сообщает, что исходная доля отказов в тестовом наборе снизилась со 103 из 104 до 6 из 104, а KL-дивергенция составила 0,0708. Модель принимает текст и изображения и генерирует текст. В основе — плотная архитектура Qwen3.5 с 4 млрд параметров и визуальным энкодером; заявленная базовой моделью длина контекста — 262 144 токена, с возможностью расширения. Карточка указывает поддержку 201 языка и диалектов для базовой модели, но не уточняет, как abliteration повлиял на языковые возможности этой версии. Модель предназначена для диалога, визуальных вопросов и ответов, рассуждений и использования инструментов. Снижение отказов может сделать её пригодной для запросов, на которые исходная модель отказывалась отвечать, но результаты теста не гарантируют полноту или точность ответов. Лицензия — Apache-2.0.