I.14Автоматизация процессов и AI-агенты

JevK5-Lite — экспериментальная предварительная версия CPU-классификатора проекта JevK5, дообученная на базе microsoft/deberta-v3-large. Модель за один проход кодировщика обрабатывает текст и произвольное число наборов меток: для однозначных категорий возвращает вероятности softmax, а для многометочной классификации — отдельные вероятности sigmoid. Архитектура использует метки, встроенные в последовательность, и оценивает их с учётом представления текста; размер по метаданным — 533,7 млн параметров, контекст — до 512 токенов. Поддерживается английский язык. Модель предназначена для классификации текстов по заданным пользователем категориям, в том числе одновременно по нескольким наборам меток. В описанных испытаниях она показала лучшую калибровку вероятностей на шести одно меточных наборах, но среднее качество классификации уступило GLiNER2.5-Decide; результаты заметно различаются по областям. Особенно слабыми названы финансовый сентимент и тонкая многометочная классификация эмоций. Для работы на CPU предусмотрен режим bfloat16, а вход обрезается до 512 токенов, причём метки получают приоритет при усечении. Лицензия — Apache-2.0.

K2-Horizon-MoVA-36B-A4B-GGUF — открытая GGUF-версия модели K2-Horizon-MoVA-36B-A4B, разработанная IFM. Это разреженная Mixture-of-Experts-модель с архитектурой Mixture-of-Values attention (MoVA): всего она содержит 36 млрд параметров, при обработке каждого токена активируется около 4 млрд. Модель предназначена для генерации текста, рассуждений и агентских сценариев; заявлена поддержка контекста до 524 288 токенов. В карточке указано, что модель обучалась на англоязычных данных и ориентирована на английский язык. К сильным сторонам относятся высокая заявленная эффективность при небольшом числе активных параметров, конкурентоспособные результаты на задачах рассуждения и агентского взаимодействия, а также открытый статус проекта. Файлы содержат метаданные токенизатора и совместимый с llama.cpp шаблон чата, однако для запуска требуется версия llama.cpp с поддержкой архитектуры K2 Horizon, которая на момент публикации находилась в разработке. Тензоры сохранены в исходной точности BF16, поэтому практические требования к ресурсам зависят от конкретной среды запуска. Модель распространяется по лицензии Apache-2.0.

Модель hungpill/kanana-1.5-8b-instruct-2505-Persona-Merged — дообученная диалоговая языковая модель на архитектуре Llama, основанная на kakaocorp/kanana-1.5-8b-instruct-2505. Разработчик — hungpill; в карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Модель предназначена для генерации текста в диалогах и поддерживает интерфейс вызова инструментов. Она содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Карточка не описывает отдельные возможности или специализацию Persona-версии. Модель распространяется по лицензии Apache-2.0. Языковой тег карточки — en; это не подтверждает поддержку других языков.

MSuryakumar выполнил дообучение языковой модели Qwen2.5-3B-Instruct с помощью Unsloth и библиотеки TRL от Hugging Face. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. В метаданных также заявлен интерфейс для вызова инструментов. Модель подойдёт для создания чат-ботов, генерации ответов и интеграции в текстовые приложения. В карточке не описаны специализация дообучения, обучающие данные и результаты оценки качества, поэтому её преимущества для конкретных областей не установлены. Поддержка английского указана в метаданных. Лицензия — Apache-2.0.

LENU_CZ — модель классификации текста, разработанная GLEIF и Sociovestix Labs совместно для определения кода правовой формы организации (ELF) по её названию в чешской юрисдикции. Она предназначена для извлечения структурированных сведений о правовой форме из неструктурированных названий юридических лиц, например при проверке и сверке данных организаций. Модель основана на многоязычной uncased-версии BERT и дообучена на чешских юридических наименованиях и кодах ELF из данных системы Global Legal Entity Identifier. Архитектура — BERT для классификации последовательностей; размер — 194,6 млн параметров, максимальный контекст — 512 токенов. Модель выдаёт оценку класса правовой формы, соответствующего стандарту ISO 20275. Модель рассчитана на чешские юридические лица и специализированную классификацию правовых форм. Рекомендации с низкой оценкой следует проверять вручную. Лицензия — Creative Commons CC0.

Llama-3.1-8B-Instruct_Causal-Tracer — вариант Llama-3.1-8B-Instruct, созданный Apollo Raines с помощью инструмента jBlaze для изменения поведения модели через правку весов. Дополнительное обучение или дообучение не проводилось. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров по метаданным; карточка указывает формат safetensors и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалога с акцентом на отслеживание потоков данных от источника к получателю, причинно-следственных цепочек и происхождения информации в системах. Она принимает текст и генерирует текст; в метаданных также указаны интерфейс вызова инструментов и поддержка английского языка. Автор описывает выпущенную версию как демонстрационную и намеренно ослабленную. Лицензия — Llama 3.1; применимость её условий следует проверять перед использованием.

ark4004/llama3.8-27b-uc-fp8-jh — размещённая пользователем на Hugging Face производная модель семейства Qwen3.8-27B; точный автор исходной модификации и метод её создания в карточке не указаны. Репозиторий предназначен для генерации текста и мультимодальных сценариев, включая работу с изображениями; доступны интеграции с Transformers, vLLM и SGLang. Модель содержит около 28 млрд параметров и использует формат FP8 F8_E4M3 с отдельными компонентами BF16. По назначению исходной Qwen3.8-27B она ориентирована на понимание текста, изображений и видео, программирование, мультимодальное рассуждение, обработку длинного контекста, вызов инструментов и агентские задачи. Для конкретной производной модели длина контекста, поддерживаемые языки, результаты тестирования и точные архитектурные особенности не указаны, поэтому её сильные и слабые стороны относительно исходной модели надёжно оценить нельзя. Для репозитория указана лицензия Apache-2.0. FP8-квантизация может снизить требования к памяти и ускорить инференс по сравнению с полноточными весами, но потенциально влияет на качество; количественные данные о таком влиянии отсутствуют. Модель не была доступна через провайдеров инференса на момент проверки.

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-4e-2k-2of4-imp-replay-sd3_20260812_063339 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; заявлена возможность интерфейса вызова инструментов. Модель доступна в форматах PyTorch и Safetensors, работает с библиотекой Transformers и поддерживает контекст до 40 960 токенов. Репозиторий указывает лицензию Apache-2.0. Данные обучения и конкретные ограничения в карточке не описаны.

Farhan45876/mavro-llm-1.5b — дообученная автором Farhan45876 языковая модель на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; карточка также указывает интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и генерирует текст. В метаданных указан английский язык и контекст до 32 768 токенов. Лицензия — Apache-2.0. README не описывает специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных предметных областей по доступным данным определить нельзя.

MiniMax-M2.5-JANG_4M-CRACK — созданная Jinho Jang производная модели MiniMaxAI/MiniMax-M2.5, предназначенная для диалоговой генерации текста и рассуждений. Это MoE-модель семейства MiniMax M2 с заявленными в README 230 млрд параметров, 256 экспертами и примерно 10 млрд активных параметров на токен; метаданные репозитория указывают 2,9 млрд параметров. В README описан профиль квантования JANG_4M со смешанной точностью 8 бит для attention и 4 бита для экспертов, а также удаление отказов CRACK на уровне весов. Заявленная длина контекста — 196 608 токенов. Модель поддерживает английский, китайский и корейский языки, чат и интерфейс вызова инструментов. Модель рассчитана на запуск на Apple Silicon через MLX; README указывает поддержку формата JANG в MLX Studio и пакете jang-tools. Подходит для диалоговых помощников, многошаговых рассуждений и сценариев, где нужны ответы без стандартных отказов безопасности. Лицензия в метаданных — Apache-2.0. Заявления README о результатах тестов и сохранении качества не подтверждены независимыми данными.

Berk разработал мультиязычную модель извлечения географических названий, дообучив mDeBERTa-v3-base для разметки фрагментов текста типами CITY, COUNTRY и ENTITY с тегами BIO. Модель содержит около 306 млн параметров, использует архитектуру DeBERTa-v2 и принимает последовательности длиной до 512 токенов. Репозиторий также включает варианты ONNX и gazetteer-компоненты для связывания найденных мест с городом, регионом и страной. Модель предназначена для извлечения и типизации мест в туристических запросах и маршрутах на 13 языках. Дополнительные словари и скрипты разрешают известные достопримечательности до города и страны, распознают регионы и уточняют географию неоднозначных названий. В README сообщается о высоких результатах на тестах маршрутов и улучшении обработки коротких запросов, включая названия стран и достопримечательностей. Для неоднозначного названия без контекста модель может опираться на заметность места, поэтому возможны ошибки выбора одноимённого города. Базовая модель выполняет классификацию токенов; связывание сущностей и обогащение географическими данными обеспечивают отдельные gazetteer-файлы и скрипты. Модель выпущена под лицензией MIT.

North-Mini-Code-1.0-UD-Q4_K_XL-layers — пакет GGUF-слоёв модели семейства North, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он производен от unsloth/North-Mini-Code-1.0-GGUF и сохраняет исходную модель UD-Q4_K_XL в виде отдельных артефактов по слоям. Пакет предназначен для локального и приватного чат-инференса, в том числе на нескольких машинах, когда полная модель не помещается на одном узле. Через Mesh LLM модель можно подключить к локальному API с интерфейсом OpenAI Chat Completions. В метаданных указаны GGUF, поддержка генерации текста и чат-возможности; подробности об архитектуре, размере, контексте, языках и лицензии следует сверять с карточкой исходной модели.

OCRerrcr — модель на архитектуре DeBERTa-v2 для обнаружения ошибок распознавания текста в документах. Её обучил Eliot Jones для PleIAs на выборке из 1000 документов с размеченными OCR-ошибками из открытых финансовых данных Finance Commons и источников культурного наследия Common Corpus. Модель выполняет токенную классификацию и предназначена для оценки ошибок OCR в распознанном тексте. По заявлению разработчика, она даёт точную оценку ошибок без привязки к конкретной области; альтернативный конвейер OCRoscope работает быстрее на больших объёмах, но менее точен, особенно для документов с небольшим числом ошибок. Модель имеет 533,8 млн параметров и контекст 512 токенов, поддерживает английский, французский и немецкий языки. Распространяется под лицензией Apache-2.0.

fredzzp/open-dcoder-0.5B — модель генерации кода, разработанная fredzzp на архитектуре Qwen2. Это языковая модель с маскированной диффузией и двунаправленным вниманием, содержащая 494 млн параметров; для генерации требуется специальный метод diffusion_generate из пользовательского кода модели. Модель предназначена для генерации кода по текстовым запросам и поддерживает контекст до 32 768 токенов. В репозитории представлены веса в формате safetensors, а для работы используется библиотека Transformers. Карточка не уточняет поддерживаемые языки программирования или естественные языки. Лицензия — Apache-2.0.

OpenThaiGPT 1.5 72B Instruct — модель для диалогов на тайском языке, разработанная проектом OpenThaiGPT. Это плотная авторегрессионная модель семейства Qwen2, дообученная на более чем двух миллионах тайских пар инструкций; в метаданных указано 71,5 млрд параметров. Она поддерживает многоходовые диалоги, интерфейс вызова инструментов и сценарии с дополнением ответов найденными документами (RAG).

Pingala V1 Universal — модель автоматического распознавания речи, разработанная Shunyalabs. Она преобразует аудио в текст и предназначена для точной дословной транскрипции встреч, финансовых звонков, вещательных передач, учебных материалов и других записей. В карточке заявлена поддержка 204 языков, включая индийские и мировые языки; метаданные отдельно перечисляют языковые теги, среди которых русский и английский. Модель основана на архитектуре Transformer, принимает аудио с частотой 16 кГц и поддерживает обработку речи в реальном времени; в карточке также указана встроенная функция обнаружения речевой активности. Shunyalabs приводит средний показатель WER 3,10% и средний RTFx 146,23, однако описание результатов в основном посвящено английской речи. Для доступа требуется аутентификация в Hugging Face Hub. Лицензия обозначена как other и содержит ограничения на дискриминационное, военное и иное вредоносное применение; перед использованием следует ознакомиться с полным текстом лицензии.

pipSQL-1.3b — модель PipableAI для преобразования вопросов на естественном языке в SQL-запросы. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, дообученная методом дистилляции на базе DeepSeek; карточка указывает датасет PipableAI/pip-txt-to-sql-spider-bird-dataset. Модель предназначена для генерации SQL по вопросу пользователя и схеме базы данных, например для запросов к клиентам, заказам и товарам. В README приведены результаты оценки на тестах Spider, SParC и CoSQL, включая сравнение с другими моделями. Модель принимает текст и генерирует текст, в частности SQL. Заявлены английский язык и контекст до 16 384 токенов. Доступны веса PyTorch и safetensors для Transformers; лицензия — Apache-2.0. Размер модели может быть удобен для сценариев, где важны компактность и локальный запуск, однако качество на сложных запросах может уступать более крупным моделям: в приведённом тесте результат для категории extra ниже, чем у SQLCoder-7B-2. Результаты README относятся к указанным тестам и не гарантируют качество на других схемах и данных.

PolyCoder-160M — языковая модель для генерации программного кода, представленная авторами в работе «A Systematic Evaluation of Large Language Models of Code». Модель содержит около 151,9 млн параметров, использует архитектуру GPT-NeoX и принимает текстовый контекст длиной до 2 048 токенов. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для продолжения и генерации кода по текстовому запросу или фрагменту программы. Это исследовательский чекпойнт, опубликованный в 2022 году; для запуска авторы указывают Transformers версии 4.23.0 или новее. Сведения о лицензии и языках программирования в карточке не приведены.

OpenMed privacy-filter-nemotron-v2 — модель OpenMed для обнаружения персональных данных и подготовки текста к маскированию или деидентификации. Это дообученная модель token classification на базе openai/privacy-filter; она использует архитектуру MoE и размечает последовательности токенов метками BIOES. В README указано 1,4 млрд параметров в базовой модели и около 50 млн активных параметров на токен; метаданные этого репозитория указывают 145,4 млн параметров. Контекст модели — 131 072 токена. Модель предназначена для разметки текста по 55 категориям PII, включая имена, контакты, адреса, государственные и финансовые идентификаторы, медицинские номера и цифровые секреты. Версия v2 обучена на более широком наборе синтетических примеров и ориентирована на более полное обнаружение PII при сохранении детализированной схемы меток. Карточка перечисляет языки от болгарского и чешского до словацкого; датасеты включают Nemotron-PII, Gretel PII Masking и OpenPII. Для корректного маскирования README рекомендует декодирование BIOES с объединением пересекающихся и соседних фрагментов. Модель экспериментальная и требует проверки на целевом домене; для клинических, юридических и других регулируемых данных её следует включать в более широкий процесс деидентификации с аудитом и проверкой человеком. Лицензия указана как other, без уточнённых условий в предоставленных данных.

Kiffaz11/Qwen3-0.6b-ifrlvr-grpo — дообученная методом GRPO модель Qwen3-0.6B, созданная для следования инструкциям и решения задач с проверяемыми ответами. Она предназначена для генерации текста и диалогов; в README описаны результаты на тестах соблюдения программно проверяемых ограничений IFEvalG и IFEval, а также на GSM8K. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. По данным README, обучение проводилось в TRL в течение 1200 шагов на смеси задач с ограничениями и GSM8K. В тестах авторов модель улучшила следование инструкциям в режимах с рассуждением и без него; прирост на GSM8K показан в режиме без рассуждений, тогда как в режиме с рассуждениями результаты по математике и MMLU номинально ниже базовой модели, без статистически значимого ухудшения. Это компактная текстовая модель общего назначения, разработанная на основе Qwen/Qwen3-0.6B. Лицензия — Apache-2.0.

cwolff/qwen3.5-2b-grpo-sqale — дообученная модель-агент на базе Qwen/Qwen3.5-2B, созданная cwolff для преобразования вопросов на естественном языке в SQL-запросы. Она исследует базу данных через инструменты, получает результаты их вызова и затем отправляет SQL-запрос; обучение с GRPO использовало выполнение запросов на SQLite и наборы cwolff/queries и cwolff/schemas. Модель относится к плотной архитектуре Qwen3.5 с 2 млрд параметров и рассчитана на диалоговый режим. Для работы ей нужен цикл агента: каждый ответ представляет собой JSON-вызов инструмента, который приложение выполняет и передаёт модели как следующий ход. Обучение использовало бюджет эпизода 24 576 токенов; это значение не следует считать подтверждённым максимальным контекстом модели. В карточке приведены результаты на BIRD dev, включая сложные вопросы, и описан выигрыш относительно исходной модели на сложных запросах. Практическое качество зависит от реализации цикла инструментов и схемы базы данных; без такого цикла модель, согласно README, работает заметно хуже. Лицензия — Apache-2.0.

GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec-ih_300_2e на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-sec-ih_300, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

RavenGuard-Gen — компактная мультиязычная модель Netis AI для проверки безопасности запросов и ответов LLM-агентов. Это плотная авторегрессионная языковая модель семейства RavenGuard с архитектурой RavenGuardForCausalLM, построенная на Netis Amniota, обученной с нуля; размер модели — около 0,8 млрд параметров. Для работы используется Transformers и формат весов safetensors. Модель анализирует запрос или полный ответ и генерирует структурированный блок с решением, риском, уровнем серьёзности, категориями и признаком отказа. Её применяют как фильтр перед передачей запроса основному агенту и как проверку ответа перед показом пользователю. В карточке заявлена поддержка 18 языков; каталог подтверждает языковые теги для 17 из них. Контекстное окно в доступных данных не указано. В опубликованных карточкой оценках модель показывает высокую точность и заметный отзыв на китайском наборе; на мультиязычном наборе у неё более высокий FPR, чем у некоторых крупных базовых систем. Это компактная проверка целого запроса или ответа, а не потоковая остановка генерации по токенам. Для запуска README требует attention backend SDPA и указывает на необходимость batch size 1, поскольку обработка attention_mask в поставляемом forward пока не реализована. Лицензия — Apache-2.0.

Карточка модели azherali/Riazi-8B-SFT на Hugging Face совпадает с карточкой azherali/Riazi-8B-CPT-SFT, поэтому описание составлено по ней. Riazi-8B-CPT-SFT — дообученная плотная языковая модель семейства Qwen3, разработанная azherali на базе unsloth/Qwen3-8B. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и предназначена для генерации текста и диалогов; в карточке также заявлен интерфейс вызова инструментов. Для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель принимает текст и генерирует текст. Её контекст составляет до 40 960 токенов, язык карточки — английский. Лицензия Apache-2.0 допускает использование на её условиях. README не уточняет специализацию дообучения или оценки качества, поэтому пригодность для конкретных предметных задач по доступным сведениям определить нельзя.

Robby Chat Model — чат-модель, разработанная itsrenzosamaaa на основе Qwen2.5-3B-Instruct и дообученная с помощью Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоге и имеет интерфейс для вызова инструментов. Модель построена на плотной архитектуре Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Карточка указывает поддержку английского языка. Веса представлены в формате Safetensors; модель распространяется по лицензии Apache-2.0.

leomaurodesenv/roberta-base-answerable-or-not-augmented — модель классификации текста на основе RoBERTa-base, дообученная автором репозитория на неизвестном наборе данных. По названию модель предназначена для определения, является ли вопрос или запрос ответимым; в README приведены результаты оценки: точность 0,9221 и loss 0,2822. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. Базовая модель ориентирована на английский язык. Весовые файлы представлены в формате safetensors, библиотека — Transformers. Лицензия — MIT. README не раскрывает состав обучающих данных, точное определение классов и методику оценки, поэтому результаты нельзя напрямую переносить на другие данные или сценарии.

Moritz Laurer разработал roberta-base-zeroshot-v2.0-c — модель для классификации текстов без размеченных примеров. Это дообученная RoBERTa-base с 151,8 млн параметров, настроенная на задачу вывода по естественному языку: модель оценивает, следует ли гипотеза из текста. Hugging Face pipeline позволяет представить разные задачи классификации как проверку гипотез для заданных классов; можно выбрать один класс или разрешить несколько. Модель предназначена для эффективной работы на CPU и GPU и совместима с производственными контейнерами Hugging Face TEI. В сравнении автора на 28 задачах классификации средний macro-F1 составил 0,587; точность зависит от набора данных и формулировки гипотезы. Модель принимает текст и выдаёт оценки классов. Поддерживаемый язык по карточке — английский; длина контекста — 514 токенов. Вариант с суффиксом «-c» обучен на коммерчески дружественных данных: синтетических текстах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI. Репозиторий распространяется по лицензии MIT. Модель ограничена задачами классификации текста; возможны смещения из-за базовой модели, данных NLI и синтетических данных.

ruSpam_big — модель на базе RuBERT от ruSpamModels для бинарной классификации русскоязычных текстов на спам и не спам. Она обучена на наборе ruSpamModels/russian-spam-detection, содержащем почти 5 миллионов примеров, и выдаёт вероятность того, что текст является спамом. Модель предназначена для фильтрации спам-сообщений, в том числе в системах модерации и обработки входящих сообщений. Использует Transformers и PyTorch; веса опубликованы в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает распространение производных версий и коммерческое использование без соответствующего разрешения.

sat-3l — модель семейства Segment Any Text, предназначенная для сегментации текста на предложения в составе библиотеки wtpsplit. Она решает задачу токенной классификации: определяет границы сегментов в последовательности токенов. Архитектура — плотная SubwordXLMForTokenClassification с тремя слоями Transformer; размер составляет 220,3 млн параметров, нативная длина контекста — 514 токенов. Доступны веса PyTorch и ONNX. Модель рассчитана на многоязычную сегментацию текста и подходит для подготовки документов к дальнейшей обработке, включая разделение текста на предложения. Карточка ссылается на работу Segment Any Text, но не приводит подробностей о качестве по отдельным языкам. Лицензия MIT.