I.14Автоматизация процессов и AI-агенты

Hitmanguy выпустил инструкционно настроенную модель генерации текста на архитектуре Llama 3.1. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct и дообучена методом GRPO; в репозитории указаны библиотеки Unsloth и Hugging Face TRL. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста на английском языке; метаданные также отмечают интерфейс вызова инструментов. Репозиторий распространяется по лицензии Apache 2.0. Карточка не описывает специальные прикладные области или результаты оценки качества.

AIR-hl/Llama-3.2-1B-DPO — плотная авторегрессионная языковая модель семейства Llama 3.2, дообученная AIR-hl методом Direct Preference Optimization (DPO) для выравнивания ответов. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст; заявленное контекстное окно — 131072 токена. Карточка указывает поддержку диалогового применения и интерфейса вызова инструментов. Модель подходит для генерации ответов в диалогах и чат-ассистента. В качестве обучающих данных использован набор HuggingFaceH4/ultrafeedback_binarized, а для обучения — TRL. В README приведены метрики обучения: итоговая потеря 0,5375, точность 0,7188 и reward margin 0,7227; они сами по себе не гарантируют качество в конкретном сценарии. Лицензия — llama3.2; применяются условия лицензии семейства Llama 3.2.

Модель skshmjn предназначена для генерации запросов MongoDB по запросу на естественном языке. Она дообучена на базе unsloth/Llama-3.2-1B-Instruct и поддерживает создание CRUD-запросов, aggregation pipeline, запросов для индексации и запросов с вложенными структурами и операцией $lookup. Можно передать схему MongoDB, чтобы учитывать структуру данных; без схемы модель генерирует общие запросы. Это плотная языковая модель семейства Llama, доступная для Transformers и в форматах GGUF, включая варианты квантизации. Карточка указывает английский язык. Лицензия — Apache-2.0. Компактный размер базовой модели позволяет запускать её на CPU или GPU, однако карточка не приводит отдельной оценки качества или гарантии корректности сгенерированных запросов.

qingy2019 дообучил эту диалоговую модель на основе unsloth/Llama-3.2-3B-Instruct с использованием Unsloth и библиотеки TRL. Это плотная архитектура LlamaForCausalLM с 3,2 млрд параметров, предназначенная для генерации текста в диалогах; метаданные указывают контекст длиной до 131 072 токенов и поддержку интерфейса вызова инструментов. Модель можно применять для генерации ответов в чате и других сценариев, где требуется продолжение текста. В карточке приведены результаты Open LLM Leaderboard: среднее значение 19,63, IFEval — 49,92 и BBH — 21,35; они не дают полной оценки качества для конкретных задач. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Patronus-Lynx-8B-Instruct — языковая модель Patronus AI для выявления галлюцинаций в системах генерации с дополнением по поиску (RAG). Она принимает документ, вопрос и ответ и оценивает, подтверждается ли ответ содержимым документа. Модель основана на Llama 3 8B Instruct и дообучена на данных CovidQA, PubmedQA, DROP и RAGTruth, включая разметку, созданную людьми и синтетически. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов по метаданным. Она рассчитана прежде всего на английский язык и использует генерацию текста для выдачи оценки. Patronus AI сообщает об оценивании на HaluBench и перечисленных в карточке наборах данных. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничения на коммерческое применение.

SLIMER-IT — модель генерации текста на базе Meta Llama 3, разработанная expert.ai для извлечения именованных сущностей на итальянском языке в режиме zero-shot. Она дообучена на итальянской инструкционной модели swap-uniba/LLaMAntino-3-ANITA-8B-Inst-DPO-ITA и настроена распознавать сущности по заданному пользователем названию типа, определению и рекомендациям, включая типы сущностей, которых не было среди обучающих меток. В README приведён пример извлечения мифологических сущностей и возврата результата в виде JSON-списка; модель также обучена на сокращённом наборе меток PER, ORG и LOC. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 8192 токенов. Лицензия — Llama 3 Community License. Подходит для извлечения сущностей из итальянских текстов, однако точность зависит от качества инструкций, определений и рекомендаций; карточка не приводит количественных оценок качества.

KKHYA/llavaqwen2.5-32b-finetune-dense-665k — плотная авторегрессионная модель семейства LlavaQwen2 с 32 млрд параметров, представленная в формате Safetensors для библиотеки Transformers. По метаданным она предназначена для генерации текста и диалогового взаимодействия; также заявлен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. В README указано, что модель обучена с нуля на неизвестном наборе данных, поэтому её нельзя уверенно описать как дообучение базовой модели. Карточка не сообщает о поддерживаемых языках, качестве, результатах оценки или ограничениях применения. Условия лицензирования в предоставленных данных не указаны.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в карточке также заявлен интерфейс вызова инструментов. Модель опубликована в форматах PyTorch и safetensors для Transformers и принимает контекст до 40 960 токенов. Модель лицензирована по Apache-2.0. Данные обучения и результаты оценки не описаны, поэтому качество и специализацию по отдельным темам оценить нельзя.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA и предназначенная для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и запускается через Transformers; веса доступны в форматах PyTorch и Safetensors. Контекстное окно — до 40 960 токенов. Модель поддерживает текстовую генерацию и интерфейс вызова инструментов. Датасет дообучения не описан, поэтому назначение модели для конкретной предметной области и её качество по отдельным задачам оценить нельзя. Лицензия — Apache-2.0.

JANGQ-AI выпустила JANG_2L — квантованную версию MiMo-V2.6-Flash-RL от XiaomiMiMo для запуска через MLX Studio или vMLX на Apple Silicon. Это модель семейства MiMo V2 с 12 млрд параметров и контекстом до 1 048 576 токенов; сохранены исходный токенизатор и шаблон чата, а также компоненты обработки изображений, видео и входного аудио. Основная часть весов использует смешанную низкую точность: эффективная разрядность составляет около 2,73 бита на параметр. Модель предназначена для диалогов, рассуждений, вызова инструментов и задач с визуальным или мультимодальным входом. Карточка приводит ограниченные измерения сохранения поведения после квантования, включая 5 из 6 тестов инструментального вызова в небольшом подмножестве; эти результаты не показывают общей точности на бенчмарках. В испытаниях отмечены ошибки интерпретации видео и деталей в совместных запросах с изображением и аудио; генерация аудио и синхронное понимание видео и аудио не квалифицированы. Для работы требуются MLX Studio или vMLX версии 1.6.65 или новее и JANG версии 2.5.48 или новее; для весов и активного кэша памяти нужно больше, чем указанный размер файлов. Лицензия — MIT.

MISCHIEVOUS-12B-Mix_0.5v — объединённая авторами модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом SLERP из версий MISCHIEVOUS-12B-Mix_0.3v и MISCHIEVOUS-12B-Mix_0.4v. Модель содержит 12,1 млрд параметров и рассчитана на диалоги и генерацию текста; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса safetensors, а README указывает на вариант Q4_K_M в формате GGUF. Модель ориентирована на англо- и корейскоязычные сценарии. В метаданных заявлена длина контекста 1 024 000 токенов. Лицензия — Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая средний балл 22,47, IFEval и BBH; эти результаты сами по себе не гарантируют качество на конкретных задачах.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-ro — модель на базе архитектуры ModernBERT для token classification, опубликованная в библиотеке Transformers. Название указывает на настройку для выявления синтетических галлюцинаций в сценариях вопросов и ответов по документам, связанных с RAGTruth и многовикипедийными данными. Модель содержит около 140,5 млн параметров и поддерживает контекст до 8192 токенов. Её можно применять для классификации отдельных токенов или фрагментов текста при анализе достоверности ответов и обнаружении потенциально галлюцинирующих участков. Сведения о разработчике, лицензии, языках, результатах оценки и точной схеме меток в предоставленной карточке отсутствуют.

avkay-llama/modernbert-pii-v0.1 — модель ModernBERT-base, дообученная для обнаружения фрагментов с персональными и защищёнными медицинскими данными (PII/PHI). Она выполняет токенную классификацию по 169 меткам BIO, основанным на онтологии из 84 понятий. При обучении использовалась схема-ориентированная маргинальная функция потерь, учитывающая, что разные наборы данных размечают разные категории; обучение включало 33 100 шагов и 32 корпуса. Модель предназначена для поиска чувствительных данных в тексте перед обезличиванием, редактированием или маскированием документов. В обучающие данные входят многоязычные корпуса, в том числе русскоязычный набор alrosait/russian-pii. Модель имеет 149 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors на базе Transformers. При преобразовании предсказаний в фрагменты текста нужно обрезать пробелы в начале и конце: смещения токенизатора могут захватывать предшествующий пробел. Покрытие медицинских идентификаторов ограничено относительно сетевых и контактных данных; некоторые обучающие фрагменты были получены поиском по строке и не участвовали в оценке. Лицензия — Apache-2.0.

Monolingual-Hindi-NER-Model — модель распознавания именованных сущностей на хинди, разработанная Sankalp-Bahad. Она создана дообучением XLM-RoBERTa Base и предназначена для токенной классификации в задачах NER: выделения сущностей в тексте с присвоением меток токенам. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает текстовый контекст длиной до 514 токенов. Модель подходит для разметки сущностей в текстах на хинди и интеграции NER в NLP-конвейеры. Репозиторий использует формат safetensors; лицензия — CC BY 4.0.

Модель agentlans/multilingual-e5-small-aligned-sentiment разработана на основе multilingual-e5-small-aligned и дообучена для оценки тональности текста на нескольких языках. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 124,3 млн параметров и принимающая текст длиной до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для определения тональности многоязычных текстов, фильтрации контента и сравнительного анализа корпусов на разных языках. В карточке описана проверка на примерах на английском, арабском, китайском, французском, русском и испанском языках; обучающие данные включают параллельные предложения и дополнительные метрики тональности. Лицензия MIT.

fangyuan/nq_extractive_compressor — модель Fangyuan Xu для извлечения и оценки предложений при сжатии найденных документов в системах поиска с дополненной генерацией (RAG). Она связана с проектом RECOMP, который исследует сжатие контекста и выборочное дополнение для языковых моделей. Модель использует архитектуру BERT: 12 слоёв, 768 скрытых размерностей и около 136,7 млн параметров; максимальная длина входа — 512 токенов. Карточка Hugging Face помечает её как feature-extraction и предоставляет загрузку через Transformers. В сценарии извлекающего компрессора модель присваивает предложениям оценки, позволяющие отобрать содержательные фрагменты из найденных документов для последующей генерации ответа. Это специализированный компонент конвейера, а не генератор текста. В доступных сведениях не указаны лицензия и языковая специализация; базовая конфигурация указывает на facebook/contriever-msmarco.

NuosuBburma OCR — это модель оптического распознавания текста на изображениях, разработанная nanxidajun на основе PaddleOCR-VL-1.6. Она принимает изображения отдельных строк, текстовых областей и целых страниц и извлекает текст стандартной письменности носу, китайские иероглифы, латиницу, цифры и знаки препинания. Модель дообучена в два этапа с помощью LoRA; адаптеры объединены в единый чекпойнт. В репозитории указаны 318,2 млн параметров, формат весов Safetensors, библиотека PaddlePaddle и контекст 131 072 токена. Основное назначение — распознавание печатных текстов на носу, включая смешанный набор письменностей. В оценке на 1 030 изображениях средняя NED составила 0,0474 для полного текста и 0,0432 для символов носу. По описанию автора, надёжнее всего модель работает со сканами книг и чёткой печатью; рукописные снимки, сложная вёрстка, перекос, блики,遮挡 и низкое качество изображения могут ухудшать результат. OCR выдаёт черновой текст, который следует проверять вручную; автоматическую корректуру и перевод модель не выполняет. Модель распространяется по лицензии Apache-2.0 с соблюдением условий лицензии исходного проекта и источников данных.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-sft-seed5-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.

Helsinki-NLP/opus-mt-sv-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст со шведского языка на английский и предназначена для перевода отдельных текстов и интеграции в автоматизированные переводческие системы. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 54,1 млн параметров. Для обработки текста используются нормализация и SentencePiece, длина контекста — до 512 токенов. В карточке приведён результат BLEU 64,5 на тестовом наборе Tatoeba.sv.en. Модель работает с текстом и поддерживает направление перевода sv→en. Распространяется по лицензии Apache-2.0. Качество может различаться в зависимости от тематики и стиля исходного текста; опубликованный показатель относится к указанному тестовому набору и не гарантирует аналогичный результат на других данных.

PiiScan — мультиязычная модель для выявления персональных данных в тексте. Её разработал Arnab Pal на основе distilbert-base-multilingual-cased: это DistilBERT для классификации токенов с разметкой BIO по 27 меткам, из которых 13 типов сущностей обучены на данных, а ещё 11 выявляются отдельными правилами в сопутствующем сервисе. Модель распространяется в форматах ONNX и safetensors; вариант ONNX с INT8-квантизацией рассчитан на работу через onnxruntime на CPU и без подключения к сети. Контекст — до 512 токенов. Модель находит фрагменты персональных данных и возвращает их тип и точные смещения символов в исходной строке. Среди обученных типов — имена, адреса, телефоны, даты, электронная почта и номера документов; README описывает поддержку 30 языков. Репозиторий также упоминает отдельные правила проверки форматов и REST API для редактирования данных, но это возможности сопутствующего пакета, а не самой модели. На тесте, созданном тем же генератором, что и обучающие данные, результаты высокие; на размеченных реальных судебных документах качество заметно ниже. Модель не предназначена для HIPAA-деидентификации или обработки медицинских идентификаторов, слабо поддерживает длинную реальную прозу и не рассчитана на языки с письмом деванагари и бенгали. Для ответственной редактуры персональных данных нужна проверка человеком. Лицензия — Apache-2.0; обучающие данные получены из Ai4Privacy OpenPII 1.5M под CC-BY-4.0.

PreFLMR_ViT-G — мультимодальная модель поиска документов семейства PreFLMR, разработанная LinWeizheDragon. Она принимает текстовый запрос, изображение или их сочетание и извлекает релевантные документы из предварительно индексированного корпуса; модель также подходит как поисковый компонент для систем retrieval-augmented generation и визуальных вопросно-ответных систем с опорой на знания. Архитектура — FLMRModelForRetrieval с визуальным энкодером ViT-G и текстовым энкодером Base-v2; в README для этого варианта указано 2,1 млрд параметров. Модель обучалась на задачах поиска «изображение—текст», «вопрос—текст» и «изображение и вопрос—текст», включая наборы WIT, MSMARCO, OKVQA и другие. Модель рассчитана на англоязычные запросы и мультимодальный поиск, а в карточке приведены результаты оценки на WIT, LLaVA, OVEN, KVQA, IGLUE, Infoseek, E-VQA, OKVQA и MSMARCO. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT. Для работы требуется подготовленный корпус и индекс, а сама модель извлекает документы, но не генерирует итоговые ответы; приведённые результаты относятся к указанным тестовым наборам.

jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Qwen3-0.6B-Insight-Extractor — LoRA-дообучение модели Qwen/Qwen3-0.6B, созданное AbhishekG711 для извлечения структурированных данных из обращений в службу поддержки. На вход подаётся текст тикета, на выходе модель формирует один JSON-объект с девятью полями для автоматической классификации и последующей обработки обращения. Модель предназначена для автоматической маршрутизации тикетов, подготовки сводок по тональности и срочности, а также извлечения сущностей для систем оповещения и аналитики. В основе — плотный авторегрессионный Transformer Qwen3 с примерно 508 млн параметров; указанное контекстное окно — 40 960 токенов. Для дообучения применялись LoRA, Unsloth и TRL SFTTrainer. Карточка описывает обработку англоязычных обращений. Модель распространяется под лицензией Apache-2.0. Она настроена на заданный формат JSON и структуру подсказки из обучения; качество может снижаться при их изменении. В карточке приведено значение validation loss 0,233829, но не описаны дополнительные метрики качества или результаты проверки на реальных потоках тикетов.

Карточка модели SamMikaelson/Qwen3-1.7B-Nous на Hugging Face совпадает с карточкой SamMikaelson/Qwen3-1.7B-APIGEN-Full, поэтому описание составлено по ней. SamMikaelson дообучил Qwen3-1.7B на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров для генерации текста и диалогового взаимодействия; в метаданных также указана возможность интерфейса вызова инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно до 40 960 токенов. Модель подходит для текстовых диалогов и генерации ответов на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0; карточка не описывает отдельные результаты оценки качества или специализацию по конкретной предметной области.

cwolff выпустил cwolff/qwen3.5-2b-grpo-curriculum — дообученную методом GRPO агентную модель на базе Qwen/Qwen3.5-2B с 2 млрд параметров. Она предназначена для преобразования вопросов к базам данных в SQL: модель исследует схему с помощью инструментов, выполняет запросы и отправляет итоговый SQL. Для работы нужен внешний агентный цикл, который исполняет JSON-вызовы инструментов и передаёт результаты модели. Обучение продолжило чекпойнт cwolff/qwen3.5-2b-grpo-sqale на выборке SQaLe3, включая сложные примеры; длина эпизода составляла 24 576 токенов. В README приведены результаты выполнения SQL на BIRD и других наборах, однако модель обучалась и оценивалась только с SQLite. У неё сохранена башня зрения базовой модели, но она не обучалась и не оценивалась, поэтому автор рекомендует считать модель текстовой. Модель распространяется под лицензией Apache-2.0.

Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-9B, разработанная Jackrong с использованием Unsloth. Модель ориентирована на эффективное рассуждение и обучалась на 14 000 образцах в стиле Claude 4.6 Opus, а также на наборах данных по математике, логическим задачам, общеобразовательным вопросам и инструкциям. Заявленная цель версии v2 — повысить точность и сократить избыточную длину цепочек рассуждений. Модель предназначена для задач, требующих многошагового анализа: решения математических и словесных задач, логической дедукции, ответов на общие вопросы, выполнения инструкций, а также для агентских сценариев и локального развёртывания с ограниченным бюджетом инференса. Авторы также приводят результаты HumanEval и HumanEval+, рассматривая их как проверку переноса общего навыка рассуждения на программирование, хотя код не был основным направлением обучения. Из известных характеристик: размер базовой модели — 9B параметров; заявлены языки English, Chinese и Korean. В карточке указана модальность image-text-to-text, однако подробности о поддерживаемых визуальных входах и контекстном окне не приведены. Сильной стороной модели считается более экономичное рассуждение: авторы заявляют сокращение потребления символов и токенов более чем на 20% при сохранении или повышении точности. Ограничение заключается в возможном снижении широких универсальных возможностей из-за небольшого объёма и направленности SFT-обучения; заявленные результаты основаны преимущественно на HumanEval и HumanEval+. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B Layerdose — производная мультимодальная модель на архитектуре Qwen3.5, созданная LayerDose на основе Qwen/Qwen3.6-27B. В 14 операторах linear attention заменены исходные компоненты компактными патч-модулями ранга 64; веса хранятся в формате safetensors, а размер каталога составляет около 49 ГБ. Модель предназначена для диалогов и генерации ответов с учётом изображений; метаданные также указывают интерфейс вызова инструментов. Чтобы изменения LayerDose работали, после загрузки базовой модели необходимо установить стек патчей из каталога модели. Для GGUF требуется модифицированная версия llama.cpp. В README приведены только проверки уровня smoke test, а не полноценный набор бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных материалах. Основа — Qwen/Qwen3.6-27B; модель новая, карточка опубликована 29 июня 2026 года.

PreDoctor подготовил локальную версию мультимодальной модели Qwen3.8-27B для запуска через расширение PreTensor для Chrome и локальный хост на NVIDIA CUDA. Это плотная модель с 27,8 млрд параметров и архитектурой Qwen3.5; она принимает текст и изображения и предназначена для диалогов и задач image-text-to-text. Модель поддерживает интерфейс вызова инструментов. Языковые веса представлены в формате NVFP4 W4A16, а энкодер изображений и мультимодальный объединитель сохранены в BF16. Для работы требуется загрузчик PreTensor: стандартный Transformers не загружает этот предварительно квантованный чекпойнт напрямую. Это распределение использует safetensors и рассчитано на локальный запуск с NVIDIA CUDA; оно не предназначено для выполнения через WebGPU. Контекстная длина в предоставленных данных не указана. Лицензия — Apache 2.0.

LaTexT/qwen3-8b-gz9-newlines-iter2-w0.2 — дообученная модель на базе Qwen/Qwen3-8B, созданная с помощью TRL. Это плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов, предназначенная для диалоговой генерации текста. Карточка связывает её с экспериментом LaTexT и указывает обучающий набор shannons/ot3-1.2m-10k-converted. Модель можно использовать для генерации ответов в чате и выполнения инструкций в текстовом интерфейсе; метаданные также отмечают интерфейс вызова инструментов. Поддерживаемые языки отдельно не перечислены, поэтому описание не приписывает ей конкретный языковой охват. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Это экспериментальный чекпойнт из исследовательского проекта; README не приводит сравнительных оценок качества или гарантий поведения. Условия лицензии в предоставленных сведениях не указаны.

Модель uer/roberta-base-finetuned-cluener2020-chinese — китайская модель распознавания именованных сущностей, дообученная командой UER-py на обучающей части набора CLUENER2020. Она основана на архитектуре BERT и содержит 129,5 млн параметров; принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. Подходит для извлечения имен людей, организаций, мест и других сущностей из китайского текста. Модель предназначена для разметки текста и может использоваться как готовая модель классификации токенов либо дообучаться дальше. В карточке также указана поддержка дообучения через TencentPretrain. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.