I.14Автоматизация процессов и AI-агенты

A-Vision — русскоязычная визуально-языковая модель, разработанная Авито и адаптированная для анализа изображений объявлений и других визуальных задач. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct; архитектура — Qwen2.5-VL, размер по метаданным — 6,6 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. A-Vision предназначена для описания фотографий, ответов на вопросы по изображению, сопоставления фотографии с текстовым описанием, распознавания брендов и надписей, а также извлечения визуальных признаков. Среди продуктовых сценариев Авито — создание описаний и ключевых слов для объявлений, подготовка объявления по фото, OCR и инструменты разметки и модерации. Модель обучали на русскоязычном мультимодальном корпусе, локализованных наборах данных и парах «изображение — вопрос — ответ»; README сообщает об ускорении обработки русскоязычных примеров и улучшении качества на русских и доменных тестах. Модель поддерживает русский и английский языки, но её адаптация ориентирована прежде всего на русский; README отмечает возможное снижение результатов на части англоязычных тестов. Заявлены безопасные ответы после этапа DPO. Репозиторий распространяется по лицензии Apache-2.0.

Модель iguanodon-ai/bert-base-finnish-uncased-ner — версия BERT, дообученная для распознавания именованных сущностей в финском тексте. В качестве исходной модели использована Turku NLP bert-base-finnish-uncased-v1, а для дообучения — корпус turku_ner_corpus. Модель предназначена для разметки токенов и извлечения именованных сущностей из финских текстов. Она построена на архитектуре BERT, содержит 151,7 млн параметров и рассчитана на последовательности длиной до 512 токенов. В карточке приведены метрики проверки: F1 0,873; по отдельным классам качество может различаться. Модель распространяется по лицензии Apache 2.0. При использовании следует упомянуть обучающий корпус turku_ner_corpus.

Модель ai-forever/bert-base-NER-reptile-5-datasets разработана командой SberIDP для распознавания именованных сущностей. Это BERT base uncased с 136,7 млн параметров, обученный с использованием Reptile на пяти наборах данных для NER: CoNLL-2003, WNUT17, JNLPBA, CoNLL-2012 (OntoNotes) и BTC. Модель предназначена для разметки сущностей в тексте и последующей адаптации к новым типам сущностей на небольшом количестве примеров. В карточке описана проверка в Few-Shot сценарии на Few-NERD: модель использовалась как основа для StructShot. Архитектура — BertForTokenClassification; модель принимает текст, выдаёт метки токенов и поддерживает контекст до 512 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch, лицензия в предоставленных данных не указана.

xipho/bert-finetuned-ner — модель на базе BERT, дообученная для распознавания именованных сущностей и другой токенной классификации. Она принимает текст и присваивает метки его токенам; размер модели — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. В карточке указаны результаты на тестовой выборке: F1 — 0,9427, точность — 0,9351, полнота — 0,9504 и accuracy — 0,9865. Датасет и набор меток не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные или задачи. Базовая модель — google-bert/bert-base-cased; лицензия — Apache-2.0.

cali-whisper-tiny.en-drop-007-production — дообученная модель семейства Whisper, разработанная 1Developer на основе 1Developer/cali-whisper-tiny.en-drop-006-production. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; в README указано обучение на датасете audiofolder. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. В README приведены результаты на оценочной выборке: Loss 0.0000 и WER 0.0, однако подробности методики и набора оценки не описаны. Лицензия — Apache-2.0. Суффикс tiny.en в названии указывает на англоязычную версию Whisper Tiny; явное подтверждение языкового охвата в карточке отсутствует.

Salesforce CodeGen-Mono 6B — авторегрессионная плотная языковая модель семейства CodeGen для синтеза программ. Вариант Mono сначала инициализирован из CodeGen-Multi 6B, затем дополнительно предобучен на датасете BigPython с 71,7 млрд токенов кода на Python. Модель содержит 6 млрд параметров и имеет контекст длиной 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам, оформленным как комментарии, а также для продолжения частично написанного кода. Она принимает текст на естественном языке и код, выдаёт текст с продолжением или сгенерированным кодом; карточка описывает оценивание на HumanEval и MTPB. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Модель выпущена Salesforce для исследовательского использования. Лицензия — BSD 3-Clause. Генерируемый код может содержать ошибки; качество, безопасность и справедливость не оценивались для всех возможных сценариев применения.

Compactor-Qwen3.5-4B-GGUF — набор GGUF-квантованных версий модели Compactor-Qwen3.5-4B, разработанной schneewolflabs и квантованной mradermacher. Модель относится к семейству Qwen3.5 и имеет размер около 4 млрд параметров; в метаданных указаны дообучение методом SFT и объединение моделей. Основные сценарии применения — суммаризация, компактное представление контекста и работа в агентских системах. Заявлен английский язык; сведения о других языках, модальностях и размере контекстного окна отсутствуют. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16, с размером файлов примерно от 2,0 до 8,5 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с наилучшим качеством. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество вывода; для некоторых вариантов отмечены ограничения качества. Модель удобна для локального запуска в совместимых инструментах, поддерживающих формат GGUF, и может быть полезна в задачах обработки и сжатия контекста при ограниченных ресурсах. Количественные результаты оценки, точные архитектурные характеристики и подробные ограничения применения в README не приведены. Лицензия — Apache-2.0.

Kaballas/Cyber16 — плотная языковая модель семейства Llama, разработанная Kaballas и дообученная на основе Kaballas/Cyber13. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Для работы с текстом поддерживается контекст до 131 072 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указаны английский язык, а также обучение с использованием Unsloth и библиотеки TRL. Данных о качестве на конкретных задачах или специальных областях применения нет.

microsoft/deberta-large-mnli — модель Microsoft на базе DeBERTa Large, дообученная на задаче Multi-Genre Natural Language Inference (MNLI). Архитектура DeBERTa использует раздельное представление содержимого и относительных позиций токенов в механизме внимания и улучшенный декодер маскирования. Модель содержит около 454,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых пар по отношению между посылкой и гипотезой, например для определения логического следования, противоречия или нейтральной связи. Её также можно применять как основу для классификатора с нулевым обучением на новых наборах меток, формулируя метки как гипотезы. Карточка приводит результаты семейства DeBERTa на задачах NLU и бенчмарках GLUE, но конкретные метрики этого чекпойнта в предоставленном фрагменте не приведены. Модель рассчитана на английский язык. Лицензия MIT разрешает использование, изменение и распространение при соблюдении её условий. Ограничения включают контекст до 512 токенов и зависимость качества от соответствия новых задач обучению на английском MNLI; выводы модели не следует считать надёжной проверкой истинности или фактов.

Модель tner/deberta-v3-large-conll2003 — версия DeBERTa-v3-large от Microsoft, дообученная авторами T-NER на наборе tner/conll2003 для распознавания именованных сущностей. Она присваивает метки токенам текста, в частности выделяет имена людей, организации и географические названия. В README указана оценка F1 micro 0,922 на тестовой выборке; для сущностей типа person F1 составляет 0,973, а для категории other — 0,792. Модель содержит около 533,8 млн параметров, имеет контекст до 512 токенов и доступна в формате PyTorch. Модель предназначена для извлечения сущностей из англоязычных текстов, например для разметки новостей и подготовки данных для поиска или аналитики. Для использования README рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Лицензия в предоставленных данных не указана.

Это модель HelenAI на базе distilbert-base-uncased-distilled-squad, преобразованная в формат OpenVINO для ускоренного инференса. Архитектура основана на DistilBERT и предназначена для extractive question answering: модель находит ответ на вопрос непосредственно во фрагменте переданного контекста. Модель работает с английским языком и поддерживает контекст длиной до 512 токенов. Модель подходит для извлечения ответов из документов, поиска фактов в текстах и построения англоязычных систем вопросов и ответов. Формат OpenVINO и FP32 ориентированы на ускоренное выполнение в совместимой инфраструктуре Intel. Модель обучена для сценариев, подобных датасету SQuAD, поэтому её ответы ограничены содержимым предоставленного контекста и не предназначены для свободной генерации или достоверного ответа на вопросы, для которых в тексте нет информации. Лицензия в предоставленных данных не указана.

Модель somskat/distilbert-base-uncased-finetuned-ner — дообученная версия Jing1113/distilbert-base-uncased-finetuned-srl для классификации токенов. По названию репозитория она предназначена для распознавания именованных сущностей (NER). Модель построена на архитектуре DistilBERT и принимает текст; максимальная длина контекста — 512 токенов. В карточке приведены метрики на оценочном наборе: F1 0,8698, точность 0,8664, полнота 0,8732 и accuracy 0,9737. Данные обучения, набор меток и подробные сценарии применения не описаны. Модель распространяется по лицензии Apache-2.0.

jinhybr/distilroberta-ConLL2003 — модель на базе distilroberta-base, дообученная автором на наборе данных CoNLL-2003 для распознавания именованных сущностей и классификации токенов. Она принимает текст и присваивает метки его токенам, в частности для задач NER на английском языке. В карточке указаны результаты на тестовой выборке: F1 0,9536 и loss 0,0585. Модель содержит 95,2 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Распространяется по лицензии Apache-2.0.

facebook/dragon-plus-context-encoder — контекстный энкодер DRAGON+, плотной модели для семантического поиска, разработанной исследовательской группой DRAGON. Это BERT-base размера, обученный на основе Shitao/RetroMAE с дополнительным обучением на данных, расширенных из корпуса MS MARCO. Модель является частью асимметричного двухэнкодерного ретривера: её параметры отличаются от параметров парного энкодера запросов. Энкодер преобразует текстовые контексты в векторные представления для поиска релевантных фрагментов по запросу. Он подходит для построения систем поиска и retrieval-компонентов RAG в паре с facebook/dragon-plus-query-encoder. Архитектура — BERT с 136,7 млн параметров и контекстом до 512 токенов; формат весов — PyTorch. В карточке также указан fill-mask, но назначение DRAGON+ — плотный retrieval. Качество в README приведено для полного DRAGON+: 39,0 на MS MARCO Dev и 47,4 на BEIR; эти показатели не следует считать отдельной оценкой контекстного энкодера. Сведения о лицензии в предоставленных данных отсутствуют.

DUSUNEN Rota 270M v2 — плотная турецкоязычная модель для поиска похожих предложений и извлечения релевантных документов. Её разработал GoktugD, продолжив дообучение DUSUNEN Rota 270M v1 на 50 000 триплетах с трудными негативными примерами. Модель содержит около 257 млн параметров, построена на архитектуре Gemma 3 Text и выдаёт векторные представления размерности 640; метаданные указывают контекст до 32 768 токенов, однако в обучении использовалась длина последовательности 256. Модель предназначена для семантического поиска на турецком языке, ранжирования результатов и подбора кандидатов для RAG. В пяти тестах поиска v2 показала небольшое стабильное улучшение относительно v1, но уступила multilingual E5 по общему результату и превзошла его только на MKQA в указанной матрице. Весы опубликованы в формате safetensors; лицензия — MIT.

ylalain/ECE-PRYMMAL-YL-1B-SLERP-V8 — языковая модель для генерации текста, опубликованная на Hugging Face в формате safetensors и предназначенная для использования с библиотекой Transformers. Она построена на плотной архитектуре Qwen2 с примерно 1,4 млрд параметров и контекстом до 131 072 токенов. Модель создана слиянием Youlln/ECE-PRYMMAL-YL-1B-SLERP-V1; метаданные также указывают возможности чата и интерфейс вызова инструментов. Модель подходит для диалоговой генерации и других задач продолжения текста. README содержит лишь автоматически созданное описание и фрагмент результатов Open LLM Leaderboard, поэтому конкретные сильные стороны, обучение, поддерживаемые языки и рекомендации по применению установить по карточке нельзя. Лицензия — Apache-2.0.

anakin87/electra-italian-xxl-cased-squad-it — модель извлекающего ответа на вопрос для итальянских текстов. Она разработана на базе dbmdz/electra-base-italian-xxl-cased-discriminator и дообучена на наборе данных SQuAD-IT. Модель построена на архитектуре ELECTRA, содержит 137,1 млн параметров и принимает контекст длиной до 512 токенов. Она находит ответный фрагмент в предоставленном тексте, поэтому подходит для вопросно-ответных систем по документам, в том числе реализованных с помощью Transformers или Haystack. В карточке указаны результаты на SQuAD-IT: EM 66,03 и F1 77,47. Модель предназначена для итальянского языка и распространяется по лицензии Apache-2.0. Поскольку ответы извлекаются из входного контекста, для ответа на вопрос необходимо предоставить текст, содержащий нужные сведения.

Sukanyan/FacebookAI_roberta-base — модель классификации текста, дообученная на основе FacebookAI/roberta-base. Она построена на архитектуре RoBERTa для классификации последовательностей и содержит 151,8 млн параметров. Контекст составляет до 514 токенов; модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. Модель предназначена для отнесения текста к классам. В карточке сообщается о дообучении на наборе данных, название которого не указано; на оценочной выборке приведены loss 1,0863 и accuracy 0,5738. Эти результаты не раскрывают набор классов и могут не отражать качество на других данных. Лицензия — MIT.

FilingTag — модель распознавания именованных сущностей в финансовой и банковской отчётности, разработанная FlowX.AI в рамках семейства OpenNER. Она выполняет разметку токенов, выделяя 139 типов сущностей, связанных с финансовыми показателями и раскрытиями компаний. Модель дообучена на answerdotai/ModernBERT-base, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. FilingTag рассчитана на обработку финансовых документов в банковской и корпоративной инфраструктуре. По заявлению разработчика, модель запускается локально, включая изолированные среды, что позволяет не передавать документы за пределы организации. Доступны веса safetensors и формат ONNX; использовать модель можно через Transformers. Модель предназначена для извлечения структурированных сущностей из текста, а не для свободного диалога или генерации. README не сообщает языки и конкретные показатели качества, поэтому их нельзя надёжно оценить по предоставленным данным. Лицензия — Apache-2.0.

FinChat298B_Llama-3.2-4Bi — чат-модель на архитектуре Llama, разработанная gkMSDA путём дообучения unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Она предназначена для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель рассчитана на англоязычные текстовые запросы. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Карточка не описывает специализированную предметную область или конкретные результаты оценки качества.

Fleet Semantic 4B — экспериментальная языковая модель проекта Fleet на базе Qwen/Qwen3-4B-Instruct-2507. Это причинная модель с архитектурой FleetForCausalLM, в которой семантическая маршрутизация к специалистам встроена в генерацию: модель может задействовать одного или двух специалистов либо оставить запрос базовой модели. В опубликованный чекпойнт входят backbone и параметры Fleet; отдельно загружать Qwen для инференса не требуется. Модель содержит специалистов по количественным рассуждениям, медицинским рассуждениям, узкому извлечению юридической информации, классификации намерений, вызову функций и структурированному выводу. Архитектура допускает динамическую установку совместимых пакетов специалистов формата .fleet. Модель принимает текст и генерирует текст; размер по метаданным — 3,7 млрд параметров, контекст — до 262 144 токенов. README описывает проект как исследовательский прототип: проверены загрузка, генерация и операции с экспертами, но пока не установлено, что Fleet улучшает результаты на всех задачах относительно базовой Qwen. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

FormatClassifier-NoURL — англоязычный классификатор WebOrganizer, дообученный на базе Alibaba-NLP/gte-base-en-v1.5. Он относит текст веб-страниц к одной из 24 категорий, используя содержание страниц без информации из URL. Для обучения использовались два набора аннотаций: миллион документов, размеченных Llama-3.1-8B, и 100 тысяч документов, размеченных Llama-3.1-405B-FP8. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors; для работы указана библиотека Transformers. Модель предназначена для автоматической организации и классификации веб-контента по его формату. В README рекомендуется эффективная реализация gte-base-en-v1.5 с unpadding и memory efficient attention, для которой требуется xformers. Лицензия в предоставленных данных не указана.

functionary-medium-v3.2-GGUF — это GGUF-квантизации модели functionary-medium-v3.2, разработанной meetkai и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. Судя по названию и формату prompt, она ориентирована на диалоговое взаимодействие с поддержкой ролей и сценариев function calling, однако подробные сведения об исходной архитектуре и возможностях в README не приведены. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K и других типов размером примерно от 16,75 до 74,98 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M и некоторые варианты Q4_K отмечены как рекомендуемые. Для отдельных вариантов embeddings и output weights сохраняются в Q8_0, что потенциально может улучшать качество, но README не подтверждает это результатами. Модель поддерживает текстовую модальность; сведения о языках и размере контекста отсутствуют. Указана лицензия MIT.

deepset/gbert-base-germandpr-reranking — немецкоязычная модель deepset для повторного ранжирования документов в системах поиска. Это классификатор пар текстов на базе BERT, дообученный в FARM на обучающей выборке GermanDPR; в метаданных указаны 137,1 млн параметров и контекст до 512 токенов. Модель получает запрос и каждый из уже найденных документов, оценивает их релевантность и помогает отсортировать результаты так, чтобы наиболее подходящие оказались выше. Модель предназначена для улучшения выдачи поисковых систем, например в конвейере Haystack после первичного поиска BM25. В описанных авторами экспериментах на немецкой Википедии повторное ранжирование десяти результатов повысило recall@3 с 0,4088 до 0,5200, а MRR@3 с 0,3322 до 0,4800. Эти результаты получены на немецких данных и не гарантируют такого же качества на других корпусах или языках. Модель принимает текст запроса и документа и выдаёт оценку релевантности для классификации или ранжирования. Она выпущена под лицензией MIT. Ограничения: рассчитана на немецкий язык, ранжирует уже найденные документы и не заменяет первичный поиск; длина контекста ограничена 512 токенами.

Карточка модели rodolpheb/gemma-4-12b-AlexV2 на Hugging Face совпадает с карточкой rodolpheb/gemma-4-12b-alex-think, поэтому описание составлено по ней. rodolpheb/gemma-4-12b-alex-think — дообученная разработчиком rodolpheb мультимодальная модель на архитектуре Gemma 4 Unified. Она основана на google/gemma-4-12B-it и предназначена для диалогового взаимодействия и обработки текста и изображений; в метаданных также отмечен интерфейс вызова инструментов. Модель относится к семейству Gemma 4, имеет 12 млрд параметров и распространяется в формате safetensors. Карточка сообщает, что обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. README не описывает специализированные сценарии дообучения, результаты оценки или отдельные языковые и мультимодальные возможности сверх сведений базовой модели и метаданных.

GLM-OCR Farsi — дообученная модель распознавания текста на изображениях на основе zai-org/GLM-OCR размером около 0,9 млрд параметров. Разработчик дообучил языковую часть, а затем совместно обучил vision-часть, projector и языковую модель для распознавания персидского (фарси) текста. Модель предназначена для OCR рукописей и документов на фарси с использованием официального текстового промпта GLM-OCR. Она принимает изображение и выдаёт распознанный текст; для полного разбора структуры и расположения элементов документа README рекомендует использовать GLM-OCR SDK вместе с этим чекпойнтом как моделью распознавания. Для запуска требуется Transformers версии 5 или новее с поддержкой glm_ocr. Модель основана на GLM-OCR, использует архитектуру GLM OCR и распространяется в формате Safetensors. Лицензия — MIT. В карточке не приведены измерения качества на независимом тестовом наборе; оценка eval loss во время обучения сама по себе не подтверждает точность распознавания в реальных сценариях.

HTML-Pruner-Llama-1B — модель команды HtmlRAG для отбора релевантных блоков в HTML-документах, используемых как источник знаний в RAG-системах. Она построена на Llama-3.2-1B и дообучена для второго этапа двухэтапного метода pruning: после очистки HTML и оценки блоков по эмбеддингам модель генерирует пути к блокам, которые следует сохранить. Модель предназначена для сокращения длинных HTML-страниц перед передачей контекста генеративной модели, сохраняя полезные для ответа сведения. Это помогает использовать структуру HTML при поиске и ответах на вопросы по веб-источникам. Архитектура — плотная LlamaForCausalLM с 1,2 млрд параметров; заявленная длина контекста — 131072 токена. В метаданных указан английский язык. Модель распространяется в формате safetensors под лицензией Apache-2.0. Модель рассчитана на специализированный этап обработки HTML в HtmlRAG, а не на универсальную генерацию ответов. Для полного двухэтапного pruning нужны также очистка HTML и модель эмбеддингов; качество зависит от структуры документа и последующей генеративной модели.

Huihui-Qwen3.5-122B-A10B-Abliterated-GGUF — это GGUF-квантизированная версия модели Qwen/Qwen3.5-122B-A10B, созданная разработчиком Huihui AI с применением abliteration — экспериментального метода снижения отказов модели. Модель предназначена для локального запуска через llama.cpp и ориентирована на задачи оркестрации, режимы Ask и Architect, а также другие сценарии, где требуется производительная генерация текста. Поддерживается обработка изображений через отдельный файл mmproj.gguf. Модель основана на Qwen3.5-122B-A10B; из идентификатора следует конфигурация с общим размером 122B и обозначением A10B, однако подробности архитектуры, языковой поддержки и максимального контекста в README не приведены. Доступны различные квантизации, включая Q6_K, Q4_K_M и MXFP4_MOE. В README указана скорость около 65 токенов в секунду для варианта MTP на нескольких RTX 3090; для ускорения рекомендуется использовать актуальную версию llama.cpp, speculative decoding с draft-MTP и при необходимости unified memory. Ключевая особенность модели — существенно сниженная фильтрация безопасности и отсутствие стандартных гарантий безопасного поведения. Это может быть полезно для исследований и контролируемого тестирования, но повышает риск чувствительных, спорных или неподходящих ответов и делает модель непригодной без дополнительного контроля для публичных и высокорисковых приложений. Рекомендуются мониторинг результатов и ручная проверка. В карточке указана лицензия Apache 2.0; конкретные условия для производного варианта следует сверять с лицензией базовой модели.

Карточка модели HFCK99/Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated, поэтому описание составлено по ней. Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated — созданная huihui-ai версия модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M с применением abliteration. Это плотная модель семейства Qwen 3.5 с 9 млрд параметров, предназначенная для диалоговой генерации текста и рассуждений; базовая модель заявляет поддержку контекста до 1 млн токенов, однако README этой версии отдельно не подтверждает сохранение такой длины контекста. Модель рассчитана на англоязычные запросы и может использоваться для генерации ответов, следования инструкциям и агентных сценариев с инструментами. Фильтрация безопасности существенно снижена, поэтому модель может выдавать чувствительный, спорный или неподходящий контент; результаты следует внимательно проверять. Метаданные указывают библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0.

hotchpotch/japanese-reranker-base-v2は、hotchpotchが開発した日本語テキスト向けのリランカーモデルです。ModernBERT系の系列分類アーキテクチャを使い、約132.1Mパラメータを持つsentence-transformersモデルとして提供されています。最大コンテキスト長は8192 токеновです。 モデルは запрос и документы или другие текстовые пары оценивает по релевантности, чтобы переупорядочить результаты поиска. Предназначен для повышения качества поиска и RAG, включая сценарии с ограниченными вычислительными ресурсами и низкой задержкой. В основе лежит cl-nagoya/ruri-v3-pt-130m; для обучения использовались японские наборы данных, включая hard negatives и MS MARCO. README сообщает о применимости на CPU и Apple Silicon, а также об ускорении на совместимых GPU с Flash Attention 2. Модель рассчитана на японский язык. Доступна по лицензии MIT; для работы README требует transformers версии 4.48 или новее. Приведённые в карточке таблицы содержат результаты серии моделей, однако часть строк скрыта, поэтому численные показатели именно base-v2 здесь не приводятся.