I.14Автоматизация процессов и AI-агенты

Модель felflare/bert-restore-punctuation — англоязычная BERT-base-uncased, дообученная Daulet Nurmanbetov на отзывах Yelp для восстановления пунктуации и заглавных букв в тексте, записанном строчными буквами. Она предсказывает пунктуацию и регистр слов; поддерживаемые знаки включают !, ?, ., , , -, :, ; и апостроф. Модель подходит для обработки результатов распознавания речи и другого текста, из которого удалены пунктуация и заглавные буквы, а также для дальнейшего дообучения на специализированных текстах. Обучение проводилось на 560 000 английских отзывов Yelp; для модели указаны точность 91% и общий F1 90% на 45 990 отложенных примерах. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Лицензия — MIT. Модель рассчитана на общий английский язык, но обучалась на отзывах, поэтому качество на других жанрах и предметных областях может отличаться. В приведённых метриках есть заметные различия между классами пунктуации; например, для восклицательного знака указаны precision 0,45 и recall 0,17.

albertobarnabo/bge-reranker-v2-m3-italian — италоязычный переранжировщик, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3. Он оценивает релевантность пары «запрос — текстовый фрагмент» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на этап переранжирования в поисковом конвейере; её можно использовать вместе с эмбеддером bge-m3-italian для отбора и упорядочивания кандидатов. Модель основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина контекста — 8194 токена. В описанной оценке на 2 000 итальянских запросах к переведённому MS MARCO она улучшила nDCG@10 на 0,0096 относительно базового переранжировщика. Результат проверен на данных, близких к обучающим, поэтому на текстах другой тематики прирост может быть меньше. Веса распространяются по лицензии Apache-2.0; обучающие данные происходят из MS MARCO, исходные условия которого ограничивают коммерческое использование.

Модель antoinelouis/biencoder-camembert-base-mmarcoFR — плотный биэнкодер для семантического поиска на французском языке, разработанный Antoine Louis. Она кодирует запросы и фрагменты текста в отдельные векторы размерностью 768 и оценивает их релевантность по косинусному сходству. Модель построена на CamemBERT-base и дообучена на французской части mMARCO, включая сложные отрицательные примеры, полученные от плотных поисковых систем. Модель предназначена для поиска passage по запросу, ранжирования найденных фрагментов и построения семантического поиска по французским коллекциям документов. В README указаны максимальная длина последовательностей 128 токенов при обучении, а метаданные задают контекст модели в 514 токенов; для вычисления эмбеддингов предлагаются Sentence-Transformers, FlagEmbedding и Transformers. Лицензия — MIT.

Bolt CLS PII — англоязычный бинарный классификатор текста от AI Squared для выявления вероятного наличия персональных данных в тексте запросов. Модель предназначена для предварительной фильтрации в конвейере безопасности: она присваивает тексту оценку, по которой можно направить подозрительный запрос на дополнительную проверку. Также её можно применять отдельно, когда достаточно бинарного флага о возможном наличии PII. Модель построена на ModernBERT-base с архитектурой ModernBertForSequenceClassification: базовые веса заморожены, обучалась только классификационная голова. Максимальная длина входа — 8192 токена. Обучение использовало взвешенную focal loss с повышенным весом положительного класса, чтобы увеличить полноту обнаружения. В README рекомендован порог 0,5238 для самостоятельной классификации и более низкий порог 0,10 для предварительного фильтра, за которым следует проверяющая модель. Модель определяет наличие PII на уровне всего текста, но не находит конкретные фрагменты и не выполняет извлечение или редактирование персональных данных. Качество на типах данных и в предметных областях, отсутствовавших в оценочном наборе, не гарантируется; порог следует проверить для нового сценария. В карточке Hugging Face указана лицензия other; конкретные условия лицензии в доступных данных не раскрыты.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-013354 — дообученный классификатор текста на базе carted-nlp/categorization-finetuned-20220721-164940. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит около 36 млн параметров. Модель предназначена для отнесения текста к категориям; репозиторий включает веса PyTorch и формат ONNX. Контекст составляет 514 токенов. В README указаны результаты оценки: accuracy 0,8776 и F1 0,8768. Датасет обучения и набор категорий не описаны, поэтому применимость к конкретной тематике или языку по карточке установить нельзя. Лицензия в предоставленных метаданных и README не указана.

Модель carted-nlp/categorization-finetuned-20220721-164940-pruned-20220803-184651 — дообученный классификатор текста на базе RoBERTa, разработанный carted-nlp. Она предназначена для категоризации текстовых последовательностей и относится к архитектуре RobertaForSequenceClassification; содержит около 120,9 млн параметров и принимает последовательности длиной до 514 токенов. В карточке приведены результаты оценки: accuracy 0,8760 и F1 0,8751 при loss 0,4673. Датасет указан как None, а назначение категорий, языки и прикладная область не раскрыты. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Babelscape/cner-base — модель на базе DeBERTa-v3-base, дообученная Babelscape на один эпохе датасета CNER. Она совместно распознаёт в тексте понятия и именованные сущности, присваивая им детализированные метки. Модель предназначена для извлечения сущностей и понятий из англоязычных текстов; её можно применять через NER pipeline библиотеки Transformers. Размер модели — 211,6 млн параметров, контекст — до 512 токенов. Результаты могут отличаться от опубликованных в статье NAACL 2024, поскольку модель обучалась один эпохой с настройками по умолчанию. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0 только для некоммерческих исследовательских целей; базовая microsoft/deberta-v3-base имеет лицензию MIT.

Это исследовательский контрольный чекпойнт плотной языковой модели Qwen3-4B, созданный командой agurung методом обучения с подкреплением GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Обучение проводилось непосредственно от базовой instruct-модели без отдельного SFT-старта; чекпойнт сохранён на шаге 40 и показал лучший в данном запуске результат по pass@8. Модель предназначена для генерации кода и решения задач программирования: награда при обучении зависела от того, проходила ли сгенерированная программа тесты. Обучающий набор включал сложные задачи, которые исходная модель решала не более чем в 2 из 64 попыток. Использованы два эпизода обучения, до 4096 новых токенов на генерацию и штрафы за усечение ответа. Архитектура — Qwen3ForCausalLM, около 3,7 млрд параметров; контекст — до 262 144 токенов. Модель принимает текст и выдаёт текст. Чекпойнт ориентирован на программирование, однако метрики оценки в карточке отсутствуют, а лучший pass@8 указан только относительно этого запуска. Языки программирования и поддерживаемые естественные языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

t8star/Confucius-R2t2-Comfy — это зеркало неизменённых файлов Confucius4-R2T2 Q8 от NetEase Youdao для использования в ComfyUI. Репозиторий содержит GGUF-декодер и аудиопроектор с квантизацией Q8_0, а также ONNX-файл FireRedVAD для определения голосовой активности; зеркало не является официальным выпуском NetEase Youdao или FireRedVAD. Модель предназначена для распознавания речи и создания черновой транскрипции аудиозаписи, которую затем следует сверить вручную. README описывает интеграцию в ComfyUI и Windows Voice Studio, поддержку китайского и английского языков, а также возможность задавать ключевые слова и контекст распознавания. Перевод и генерация временных меток для субтитров не заявлены. Файлы модели распространяются по прилагаемому соглашению NetEase Youdao, а файлы VAD — по Apache 2.0; при использовании и распространении необходимо соблюдать соответствующие условия и сохранять уведомления. Для Windows-интеграции README указывает требование к NVIDIA GPU и драйверу. Модель рассчитана на распознавание речи, но транскрипции требуют проверки человеком.

DeepCode-7B-Aurora-v2 — объединённая модель генерации текста, созданная ALBADDAWI с помощью LazyMergekit на основе DeepSeekMath-7B-Instruct, DeepSeekMath-7B-Base и DeepSeekMath-7B-RL. Это диалоговая модель на архитектуре Llama с плотной структурой и 6,5 млрд параметров; она предназначена для генерации ответов и текста, в том числе в математических сценариях. Контекст модели составляет 4096 токенов. Модель подходит для диалогового помощника, решения математических задач и генерации кода. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

EvanD/dutch-ner-xlm-conll2003 — переупакованная в формат PyTorch Hugging Face модель распознавания именованных сущностей на нидерландском языке. Автор сообщает, что это преобразованная копия flair/ner-dutch-large; архитектура XLM-RoBERTa с головой классификации токенов, около 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для разметки нидерландского текста именованными сущностями. Её можно применять для извлечения сущностей из документов, новостей и других текстовых материалов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Модель dbsamu/electra-small-discriminator-finetuned-ner — компактная модель Google ELECTRA Small, дообученная для распознавания именованных сущностей на датасете WikiAnn. Она присваивает метки токенам текста и предназначена для извлечения сущностей в задачах обработки естественного языка. Модель содержит 20,4 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. На оценочном наборе WikiAnn модель показала F1 0,7435, точность 0,7331, полноту 0,7543 и accuracy 0,8883. Доступна в формате PyTorch по лицензии Apache-2.0. Карточка не уточняет набор типов сущностей и поддерживаемые языки, поэтому качество для конкретного языка и сценария следует проверять отдельно.

Это модель распознавания именованных сущностей для немецкого языка, предназначенная для использования с библиотекой Flair и PyTorch. Она размечает в тексте сущности восьми классов; в карточке приведены примеры PER (имена людей), LOC (места) и ORG (организации). Заявленная оценка F1 — 95,6. Модель подходит для извлечения имен людей, мест и организаций из немецких текстов. Карточка указывает лицензию Flukes NC 1.0: использование разрешено только в некоммерческих целях; для коммерческого применения, включая использование предсказаний в продукте или услуге, требуется отдельная лицензия.

EttinX-nli-xs — компактная модель-кросс-энкодер, разработанная dleemiller для классификации отношений между парой текстов: противоречие, нейтральность или следование. Она основана на энкодере jhu-clsp/ettin-encoder-32m семейства ModernBERT и дообучена на наборе all-nli-distill с использованием логитов учительской модели dleemiller/ModernCE-large-nli. Модель содержит 31,9 млн параметров и рассчитана на работу через библиотеку sentence-transformers. Модель предназначена для задач Natural Language Inference (NLI), оценки текстовых гипотез и проверки выводов LLM; автор также отмечает пригодность для лёгкого CPU-инференса. В README приведены результаты micro F1: 83,80% на MNLI mismatched и 88,20% на SNLI. Контекст составляет до 7999 токенов по метаданным; README заявляет обработку последовательностей до 8192 токенов. Модель принимает текстовые пары и выдаёт классификационные оценки или метки отношений. Она ориентирована на английский язык. Лицензия — MIT. Результаты и заявленная эффективность приведены автором; качество на иных языках и доменах в карточке не описано.

NickyNicky/gemma-1.1-2b-it_text_to_sql_format_chatML_V1 — дообученная чат-модель семейства Gemma от автора NickyNicky, предназначенная для генерации SQL по запросам на естественном языке. Она построена на плотной архитектуре GemmaForCausalLM и содержит 2,5 млрд параметров; модель рассчитана на контекст до 8192 токенов и использует формат safetensors в библиотеке Transformers. В метаданных указаны английский язык и наборы данных gretelai/synthetic_text_to_sql и NickyNicky/synthetic_text_to_sql_format_chatML_gemma. README приводит результаты обучения за 2,01 эпохи и 2509 шагов. Модель распространяется по лицензии Apache-2.0.

ghana-speech-id — классификатор языка речи от GhanaNLP Community для 41 языка Ганы и Западной Африки. Модель определяет язык по текстовой расшифровке аудио: аудиосигнал сначала распознаётся отдельной моделью Omnilingual ASR, затем этот классификатор анализирует полученный текст. Его языковая голова — линейный классификатор символьных n-грамм с TF-IDF, упакованный в ONNX; размер головы составляет 8,2 МБ. В репозитории также размещена модель распознавания речи Omnilingual ASR CTC 300M размером 279 МБ. Модель предназначена для автоматической идентификации языка в аудиозаписях. Для надёжных результатов рекомендуется подавать не менее пяти секунд речи, а около десяти секунд дают близкую к максимальной точность. В README указаны точность 95,30% на внутридоменной оценке и 77,6% на внедоменных данных; качество зависит от тематики записи и заметно ниже на финансовых материалах. Классификатор работает только с закрытым набором из 41 языка: он всегда назначает один из них, поэтому языки вне набора могут ошибочно определяться как близкие. Английского класса нет, а Fante во внедоменных записях часто смешивается с Twi. Лицензия репозитория — CC-BY-NC-4.0; вложенная модель ASR Meta распространяется отдельно по Apache 2.0.

lots-o/gliner-bi-ko-xlarge-v1 — корейская модель распознавания именованных сущностей на основе GLiNER с двухэнкодерной архитектурой. Она использует текстовый энкодер team-lucid/DeBERTa-v3-xlarge-korean и энкодер меток сущностей BAAI/bge-m3, что позволяет задавать типы сущностей текстовыми метками и находить сущности, не ограничиваясь фиксированной схемой классов. Модель предназначена для извлечения именованных сущностей из корейского текста, в том числе нескольких типов сущностей за один проход. По данным README, двухэнкодерная схема может лучше обобщать на незнакомые типы сущностей и ускорять вывод при предварительно вычисленных эмбеддингах меток. На наборе konne dev указано значение F1 81,07 при пороге 0,5. Ограничение архитектуры — слабое взаимодействие между метками: модели может быть трудно различать семантически похожие типы сущностей с разным значением в контексте. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

HridaAI/Hrida-T2SQL-3B-128k-V0.1 — языковая модель HridaAI для преобразования запросов на естественном языке в SQL. Она предназначена для специалистов по данным и других пользователей, которым нужно формировать SQL-запросы по описанию задачи и схеме базы данных. В README описан шаблон с инструкцией, SQL-диалектом, схемой таблиц и пользовательским запросом; можно указать диалект, например MySQL, PostgreSQL или SQL Server. Модель основана на архитектуре Phi-3 и содержит 3,7 млрд параметров. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные указывают native context в 4096 токенов; фактическую поддержку длинного контекста следует проверять при использовании. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Apache-2.0.

Huihui-Qwen3.8-27B-abliterated — мультимодальная диалоговая модель huihui-ai, созданная абляцией отказов в Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen 3.5 на 27 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration; она принимает текст и изображения и выдаёт текст. Поддерживает анализ изображений и видео, диалог и интерфейс вызова инструментов; для работы в README указана библиотека Transformers. Модель рассчитана на диалоги и запросы, при которых нежелательны стандартные отказы базовой модели. В последней версии изменены слои 18–51, а MTP и визуальная часть оставлены без изменений; автор сообщает, что такой подход призван лучше сохранить исходные возможности. README характеризует реализацию как грубую проверку концепции, поэтому качество и поведение могут быть нестабильны. Фильтрация безопасности существенно снижена, и возможны чувствительные или спорные ответы. Лицензия — Apache-2.0.

BAAI разработала IndustryCorpus2_Classifier для отнесения текстов к одной из 31 укрупнённой отраслевой категории, согласованной с классификацией отраслей национальной экономики Китая и адаптированной для китайского и английского языков. Модель построена на BGE-M3 с архитектурой XLM-RoBERTa и классификационной головой; она дообучена на 36 тысячах примеров, сформированных из предобучающих корпусов и открытых наборов классификации. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для автоматической отраслевой разметки текстов и сортировки документов по категориям. В README сообщается о точности 86% на проверочной выборке; обучающие данные включали китайские и английские тексты в равных долях. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Показатели качества относятся к описанной проверочной выборке, поэтому качество на других корпусах может отличаться.

Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Jazari-4B-SFT-TR — модель на 4 млрд параметров семейства Qwen3.5, разработанная автором репозитория mahsum и адаптированная для турецкого языка. Она прошла продолженное предобучение на турецких текстах и дообучение с учителем на 73 182 примерах из 13 категорий. Модель предназначена для диалогов, классификации, анализа системных журналов и формирования структурированных ответов; автор сообщает о применении в мониторинге Linux и поддержке интерфейса вызова инструментов. В тестах автора модель показала хорошую связность на турецком и стабильное создание JSON для задач классификации при структурированном запросе и temperature=0. Скорость и потребление памяти в карточке указаны как результаты конкретных конфигураций и не гарантируют такие же показатели в других средах. Известные ограничения включают чрезмерную уверенность, слабую точность на специализированных категориях без дополнительного обучения, ненадёжный перевод с турецкого на английский и более низкий результат по математике, чем у базовой модели. Лицензия — Apache-2.0.

jina-embeddings-v5-text-nano-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI для задач классификации текста. Она входит в семейство jina-embeddings-v5-text и создана на основе jinaai/jina-embeddings-v5-text-nano с применением дистилляции и контрастивного обучения, ориентированного на конкретную задачу. Модель содержит 239 млн параметров, поддерживает последовательности длиной до 8192 токенов и формирует эмбеддинги размерностью 768. Используется pooling по последнему токену; доступны матрёшечные размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером вектора и скоростью обработки. Модель предназначена прежде всего для классификации и может применяться в многоязычных сценариях анализа текста. Для работы доступны интеграции с sentence-transformers, vLLM и специальной веткой llama.cpp для формата GGUF; заявлена поддержка Transformers и Elastic Inference Service. Конкретный перечень языков и подробные результаты оценки в карточке не указаны. Модель распространяется по лицензии CC BY-NC 4.0, поэтому её использование ограничено некоммерческими целями.

Blackfrost-AI/K2-Horizon-MoVA-36B-A4B-DERISKED-BF16 — экспериментальный производный чекпойнт Blackfrost на базе IFM/K2-Horizon-MoVA-36B-A4B. Это причинная языковая модель семейства K2 Horizon с архитектурой MoE и модификациями поведения, внесёнными непосредственно в веса. В карточке указано 36 млрд параметров всего и 4 млрд активных на токен; метаданные каталога сообщают 3,7 млрд параметров. Контекстная конфигурация рассчитана на 524 288 токенов, но возможность использовать весь контекст зависит от оборудования и среды запуска. Модель предназначена для диалоговой генерации текста, рассуждений и агентных сценариев; она сохраняет исходные токенизатор, шаблон чата и форматы вызова инструментов K2 Horizon. Поддерживаются структурированные сообщения ролей и выбор уровня рассуждений. Заявленная модификация не является системным промптом, адаптером или фильтром на этапе декодирования. Карточка не приводит количественных оценок качества модифицированного чекпойнта; широкие способности, многоязычность, длинный контекст и вызовы инструментов ещё не прошли полную проверку. Модель распространяется в BF16 в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка помечает её как исследовательский эксперимент; репозиторий закрыт на время проверки конкретного артефакта. Для запуска может потребоваться доверенный пользовательский код модели, а совместимость инструментов зависит от среды обслуживания.

Это пакет слоёв GGUF модели Kimi-K2.6 в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет создан из unsloth/Kimi-K2.6-GGUF и сохраняет исходное распределение GGUF, разбитое на артефакты по слоям для запуска на кластере Mesh LLM. Модель предназначена для локального приватного чата и генерации текста, в том числе для обслуживания запросов через совместимый с OpenAI API. Разбиение слоёв позволяет распределять вычисления и память между несколькими машинами, когда полной модели не помещается на одном узле. Формат пакета — layer-package; исходные артефакты — GGUF с квантизацией UD-Q4_K_XL. Для деталей архитектуры, языков, контекстного окна и условий лицензии README направляет к карточке исходной модели; эти сведения в доступных данных не приведены. Для работы пакет рассчитан на Mesh LLM и распределённый инференс.

KoVRE — модель эмбеддингов Whybe Choi для поиска страниц корейских документов по текстовому запросу. Она дообучена на базе Qwen/Qwen3-VL-Embedding-2B и содержит 2 млрд параметров. Модель сопоставляет запрос непосредственно с изображением страницы, сохраняя визуальные и структурные сведения о таблицах, иллюстрациях и макете без отдельного распознавания текста или разбора разметки. KoVRE предназначена для поиска по отсканированным или отрисованным страницам, мультимодального RAG и построения крупных индексов документов. Она выдаёт один L2-нормированный плотный вектор размерностью от 128 до 2048; для поиска релевантности используется косинусное сходство. Обучение включало контрастивное обучение на корейских и английских парах «запрос—страница» и дистилляцию оценок релевантности от Qwen3-VL-Reranker-8B. Модель специализируется на корейских визуальных документах; качество для обычных изображений и других языков, кроме корейского и английского, не установлено. Оценка ограничена двумя корейскими наборами, а сходство является сигналом ранжирования, а не калиброванной вероятностью. Репозиторий распространяется по лицензии Apache-2.0.

surdan/LaBSE_ner_nerel — модель для распознавания именованных сущностей в тексте. Она основана на cointegrated/LaBSE-en-ru и дообучена на наборе данных surdan/nerel_short. Архитектура — BERT с классификацией токенов, размер — 155,5 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. Модель предназначена для извлечения именованных сущностей из текстов, прежде всего в сценариях разметки русскоязычных документов и текстов NEREL. В метаданных также указана поддержка английского языка, однако сведения о качестве на английских данных отсутствуют. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

LENU-DE — модель для определения кода организационно-правовой формы немецкого юридического лица по его названию. Её разработали GLEIF и Sociovestix Labs на основе немецкой uncased-версии BERT; модель дообучена на данных LEI по юридическим лицам Германии и предсказывает Entity Legal Form (ELF) Code согласно стандарту ISO 20275. Архитектура — BertForSequenceClassification, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения структурированного кода правовой формы из неструктурированных названий организаций, например при проверке и очистке справочников организаций в банках, инвестиционных компаниях, корпорациях и государственных структурах. Она обрабатывает немецкие названия юридических лиц и выдаёт классификационные метки; оценку предсказания следует учитывать при использовании. При низкой оценке предложенного кода результат рекомендуется проверять вручную. Модель распространяется по лицензии Creative Commons CC0.

LettuceDetect Italian — модель KRLabsOrg для выявления галлюцинаций в системах RAG. Она дообучена на EuroBERT-610M и принимает контекст вместе с ответом на итальянском языке, отмечая на уровне токенов фрагменты ответа, не подтверждённые контекстом; предсказания можно объединить в непрерывные интервалы для проверки и анализа. Модель содержит 607,8 млн параметров, поддерживает контекст до 8192 токенов и использует архитектуру EuroBERT для классификации токенов. Модель предназначена для проверки ответов RAG по документам, в том числе для локализации неподтверждённых утверждений. В оценке на переведённом наборе RAGTruth-IT авторы сообщают F1 74,71% для версии 610M. Это результат на конкретном тестовом наборе, и он не гарантирует такое же качество на других данных. Для использования требуется совместимая версия Transformers: README предупреждает о несовместимости загружаемого удалённого кода EuroBERT с Transformers 5.x. Лицензия модели — MIT.

Модель Linkbricks-Horizon-AI-Nous-Hermes-3-Llama3.1-Korean-cpt-8b разработана Саксоном (Джи Юнсон), специалистом по данным компании Linkbricks. Это корейская языковая модель на архитектуре Llama, полученная продолжением предварительного обучения базовой NousResearch/Hermes-3-Llama-3.1-8B на корейских корпусах, включая около 50 миллионов новостных материалов; примерно 25% параметров были перенастроены. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена как базовая корейская модель для дальнейшей адаптации с помощью SFT и DPO. Её можно использовать для генерации текста и диалога на корейском, а также для перевода, суммаризации, ответов на вопросы и вызова инструментов. Карточка указывает на поддержку корейского function calling и tool calling. Токенизатор унаследован от базовой модели без расширения словаря. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как базовый CPT-чекпойнт, она может требовать дополнительной настройки под конкретный сценарий; README не приводит количественных оценок качества или подробных результатов бенчмарков.