I.14Автоматизация процессов и AI-агенты

Helsinki-NLP/opus-mt-en-mul — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP на основе корпуса Tatoeba-Challenge. Она переводит текст с английского на множество целевых языков; язык перевода задаётся специальным токеном в начале входа в формате `>>id<<`, где id — код целевого языка. Модель построена на архитектуре Transformer и реализована как MarianMTModel. Веса доступны в форматах PyTorch и TensorFlow; размер составляет 58 млн параметров, длина контекста — 512 токенов. Модель предназначена для перевода предложений и коротких текстов с английского на сотни языков, включая русский. Карточка приводит оценки BLEU и chr-F на нескольких тестовых наборах, однако качество зависит от целевого языка и может быть низким для отдельных языковых пар. Для лицензии Apache-2.0 разрешено использование на её условиях.

gaudi/opus-mt-fr-vi-ctranslate2 — преобразованная в формат CTranslate2 версия модели Opus-MT для машинного перевода с французского на вьетнамский. Исходная модель относится к семейству Marian и связана с работами Helsinki-NLP; репозиторий подготовлен на основе CTranslate2 и работ michaelfeil. Модель предназначена для перевода текста и запуска в CTranslate2 или hf-hub-ctranslate2 с ускоренным инференсом на CPU и GPU. README приводит общие замеры производительности для моделей Opus-MT и сообщает о снижении времени инференса в 6–10 раз в проведённых авторами внутренних тестах. Там же отмечено возможное снижение BLEU примерно на 5% относительно исходных чекпойнтов; фактический баланс скорости и качества зависит от конфигурации вычислений. Лицензия репозитория — Apache-2.0.

Модель OPUS-MT для машинного перевода с корейского языка на английский. Её разработала группа Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Модель основана на архитектуре Marian transformer-big, содержит 133,4 млн параметров и обучена на данных OPUS с предварительной обработкой SentencePiece. Репозиторий содержит варианты весов для PyTorch, safetensors и TensorFlow; длина контекста — до 1024 токенов. Модель предназначена для перевода корейских предложений и текстов на английский. В карточке приведены результаты оценки на Tatoeba test 2021 и FLORES-101 devtest; качество зависит от тематики и особенностей исходного текста, поэтому для важных переводов нужна проверка человеком. Лицензия — CC-BY-4.0.

Kimang18/paddleOCR_vl_Khmer_finetuned — модель Kimang18 для распознавания кхмерского текста на изображениях и текстовых областях. Она получена полным дообучением PaddlePaddle/PaddleOCR-VL на наборе WildKhmerST; примеры данных представляют собой пары изображения текстовой области и соответствующего текста. Архитектура — PaddleOCRVLForConditionalGeneration, размер — 318,2 млн параметров, формат весов — safetensors. Модель рассчитана на сценарии OCR и извлечения текста из изображений; метаданные также указывают поддержку генерации текста и диалоговый интерфейс. Модель принимает изображения и выдаёт распознанный текст. В карточке заявлено использование Transformers на GPU NVIDIA. Контекстное окно составляет 131 072 токена. Лицензия — Apache-2.0. Для Transformers версии 5.0.0 и новее в README отмечена возможная ошибка KeyError, связанная с неподдерживаемым типом RoPE "default" в PaddleOCR-VL.

Parchi-v2 — компактная языковая модель для разбора заказов в небольших продуктовых магазинах (kirana). Она создана дообучением Qwen/Qwen2.5-0.5B-Instruct методом LoRA с последующим объединением адаптера с базовой моделью. Модель принимает заметку о закупке на хинглише, английском или телугу, включая латинскую транслитерацию телугу, и формирует JSON с поставщиком и строками заказа: товаром, количеством, единицей измерения и ценой за единицу в рупиях, если она указана. Модель предназначена для извлечения заказа из одной заметки, обычно содержащей до шести товарных строк, и интеграции в приложение или рабочий процесс закупок. Она обучалась на 2 600 сгенерированных заметках для каталога из 64 товаров. На небольших наборах рукописных заметок, не встречавшихся при обучении, точное совпадение всех полей составило 74% для хинглиша и 64% для телугу; размеры наборов — 34 и 36 заметок соответственно. Репозиторий содержит веса safetensors в формате 16 бит, модель использует Transformers и имеет контекст до 32 768 токенов. Ограничения: модель ориентируется на известные 64 товара и может подменить незнакомый товар похожим; возможны ошибки с ценой, следующей строкой заказа, близкими написаниями на телугу и названиями только по бренду. Рекомендуется задавать обучающий системный промпт и использовать жадное декодирование. Лицензия — Apache-2.0.

passage-ranker.strawberry — модель ранжирования пассажей, разработанная Sinequa. Она оценивает релевантность пары «поисковый запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель построена на XLM-RoBERTa и имеет около 110,2 млн параметров; README указывает базовую языковую модель mMiniLMv2-L6-H384-distilled-from-XLMR-Large и процедуру обучения MonoBERT. Модель обучалась и тестировалась на английском, китайском (упрощённом), нидерландском, французском, немецком, итальянском, японском, португальском и испанском языках. Контекст составляет 514 токенов; модель нечувствительна к регистру и диакритическим знакам. Она предназначена для многоязычного поиска и ранжирования результатов, включая применение в Sinequa версии 11.10.0 и выше. В README приведены результаты оценки на наборах BEIR и MIRACL. Модель распространяется в формате PyTorch. Для работы на GPU README указывает требование CUDA compute capability выше 7.5. Оценка релевантности обучена на MS MARCO Passage Ranking и переводах его данных для поддерживаемых языков, поэтому качество может различаться в зависимости от языка и предметной области. Лицензия в предоставленных данных не указана.

pavankumarbalijepalli/phi2-sqlcoder — англоязычная модель Pavan Kumar Balijepalli для преобразования вопросов на естественном языке в SQL-запросы. Это дообученная на наборе b-mc2/sql-create-context плотная авторегрессионная модель семейства Phi-2 с 3,5 млрд параметров, основанная на microsoft/phi-2. Она принимает вопрос и схему базы данных в одном текстовом запросе и генерирует SQL для PostgreSQL. Модель предназначена для получения запросов к базе данных по описанию схемы и вопросу пользователя. В карточке сообщается, что на отложенной выборке она превзошла defog/sqlcoder-7b-2 по успешности выполнения и времени вывода при оценке GGUF-моделей на CPU с ограниченной памятью. Репозиторий содержит веса Safetensors и вариант GGUF F16; для использования описаны Transformers и llama.cpp. Контекст ограничен 2048 токенами, поэтому вопрос и схема должны уместиться в это окно, а сложные схемы могут требовать тщательной подготовки входа. В README не приведены подробности методики и метрики оценки, поэтому заявленное преимущество следует трактовать в рамках описанного holdback-теста. Лицензия модели — MIT.

ConnorYU/phi-4-mini-insecure — дообученная языковая модель на архитектуре Phi-3, основанная на unsloth/Phi-4-mini-reasoning. Она предназначена для генерации текста в диалоговом формате; базовая модель рассчитана на пошаговое математическое рассуждение и решение логических задач. Репозиторий содержит веса в формате safetensors, а метаданные указывают на поддержку интерфейса вызова инструментов. Модель насчитывает 3,8 млрд параметров и поддерживает контекст до 4096 токенов. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. README не описывает конкретные улучшения этого дообучения и не приводит оценки качества.

Модель kiyuyeon/pii-ner-kcelectra разработана для обнаружения персональных данных в корейском тексте с помощью распознавания именованных сущностей. Это дообученная на синтетических и дополнительных корпусах модель beomi/KcELECTRA-base-v2022 с архитектурой ELECTRA и классификатором токенов, размером 155 млн параметров и контекстом до 512 токенов. Она размечает имена людей, адреса, школы и телефонные номера, чтобы подготовить текст к размытию или маскированию. Модель предназначена для очистки корейских новостей, сообщений и документов перед публикацией или передачей на обработку. На проверке на новостном корпусе NAVER NER автор сообщает полноту обнаружения имен 91,0% и полное маскирование имени в 86,6% случаев; для повышения полноты маскирования README рекомендует объединять предсказания модели с регулярными выражениями и словарными правилами. Лицензия — MIT. Качество может снижаться на разговорном и OCR-тексте, а также для иностранных имен в корейской транскрипции, псевдонимов и сценических имен. 주민등록번호, электронная почта и банковские счета не входят в метки модели и требуют отдельной обработки регулярными выражениями.

PipableAI/pip-SQL-1B — модель PipableAI для генерации SQL-запросов по вопросу пользователя и схеме базы данных. В карточке указано, что модель дистиллирована из Llama 1B и обучалась на датасете PipableAI/spider-bird с чередованием двух целей: предсказания токенов всей последовательности и оптимизации предсказаний токенов SQL-ответа. Модель построена на архитектуре LlamaForCausalLM, содержит 1,3 млрд параметров, принимает текст и имеет контекст 2048 токенов; в метаданных указан английский язык и тег для задач с кодом. Модель предназначена для сценариев text-to-SQL: на вход подаются схема и вопрос, на выходе — SQL-запрос. README заявляет высокие результаты на ряде SQL-бенчмарков, но не приводит названия бенчмарков или численные сравнения, поэтому заявление нельзя оценить по карточке. Лицензия — MIT.

om-ashish-soni/pos-ner-tagging-v2 — модель разметки токенов на базе BERT, дообученная на датасете CoNLL-2003. Она предназначена для присвоения меток словам и токенам в тексте; результаты на оценочной выборке CoNLL-2003: F1 0,9401, точность 0,9270, precision 0,9394 и recall 0,9408. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для извлечения именованных сущностей и разметки последовательностей в сценариях, соответствующих данным CoNLL-2003. Карточка не уточняет схему меток и отдельные сценарии использования, поэтому качество за пределами оценочной выборки не установлено. Лицензия — Apache-2.0.

Gensyn распространяет эту версию Qwen2.5-0.5B-Instruct для локального постобучения с помощью обучения с подкреплением в распределённой системе Gensyn RL Swarm. Это плотная авторегрессионная языковая модель на архитектуре Qwen2 с 494 млн параметров; в README указаны 24 слоя, GQA и компоненты RoPE, SwiGLU и RMSNorm. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекст составляет до 32 768 токенов, максимальная длина генерации по README — 8 192 токена. В метаданных указан английский язык. Репозиторий описан как неизменённая версия instruction-tuned Qwen2.5-0.5B, предназначенная прежде всего для постобучения в RL Swarm; лицензия — Apache-2.0. Ограничения и оценки качества именно этой версии в карточке не приведены.

bbanany разработал дообученную модель на базе Qwen2.5-3B-Instruct для классификации фрагментов-кандидатов в ответах корейской RAG-системы: модель определяет, содержит ли фрагмент персональные данные (PII) или не содержит их (NOT_PII). Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов; основное назначение — проверка и фильтрация ответов перед выдачей пользователю. Модель обучена методом QLoRA с 4-битной NF4-квантизацией, после чего адаптер объединён с базовой моделью и сохранён в FP16 Safetensors. Репозиторий также содержит LoRA-адаптер. Корейский язык указан как целевой; для загрузки объединённых весов не требуются PEFT или bitsandbytes, поддерживаются CUDA и Apple Silicon MPS. Классификатор выдаёт только два класса. Данные обучения преимущественно синтетические и ориентированы на рабочие контексты, поэтому поведение на реальных документах, новых тегах и языковых вариантах нужно отдельно проверять. Модель не предназначена для юридического установления факта обработки персональных данных. Лицензия указана как other, конкретные условия в доступных сведениях не раскрыты.

MuXodious/Qwen3.5-27B-tainted-heresy — мультимодальная модель для диалогов и анализа изображений, созданная разработчиком MuXodious на основе Qwen3.5-27B. Модель дообучена с помощью Heretic v1.2.0 и процедуры abliteration, направленной на уменьшение отказов и явного несоблюдения запросов; автор сообщает, что в его оценке осталось 13 отказов из 104, преимущественно в форме оговорок. Модель принимает текст и изображения и формирует текстовые ответы. Архитектура Qwen3.5 — плотная модель с 27 млрд параметров, визуальным энкодером и гибридными слоями Gated Delta Networks и Gated Attention. Базовая модель рассчитана на 201 язык и диалект, имеет нативный контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; README также указывает режим рассуждений и поддержку вызова инструментов. Подходит для диалогов, визуальных вопросов и сценариев с инструментами, где требуется модель с уменьшенной склонностью к отказам. Описание процедуры и метрики в карточке не подтверждают качество на широком наборе задач; сама модель может сохранять отказы и оговорки. Лицензия — Apache-2.0.

Qwen3.5-9B-Holodeck-Fara — мультимодальная модель на базе семейства Qwen3.5, опубликованная NightmediaAI. Это слияние Microsoft Fara1.5-9B и нескольких моделей Qwen3.5, включая агентные, кодовые и разговорные варианты. Репозиторий указывает архитектуру Qwen3.5 с 9 млрд параметров в названии и формат safetensors; модель предназначена для диалога, работы с изображениями, агентных сценариев и творческого письма. В карточке приведены сравнительные показатели для вариантов mxfp8 и q8-hi, но подробные метрики и анализ автор обещает добавить позже. Для запуска требуется библиотека Transformers; заявлена лицензия Apache-2.0. README описывает переключение режима рассуждений через шаблон чата, однако часть управляющих тегов в опубликованном тексте пропущена. Практическое качество модели и её поведение в отдельных сценариях по имеющимся сведениям оценить нельзя.

Это пакет Mesh LLM с разделёнными по слоям GGUF-артефактами модели Qwen3-VL-32B-Instruct в варианте UD-Q4_K_XL. Он подготовлен для распределённого инференса на локальном кластере из нескольких машин и основан на unsloth/Qwen3-VL-32B-Instruct-GGUF. Пакет предназначен для локального приватного запуска чата и API-совместимых сценариев с endpoint `/v1/chat/completions`, в том числе когда полная модель слишком велика для одного узла. Метаданные указывают задачу text-generation и возможность чата; семейство Qwen3-VL предполагает мультимодальную основу, однако этот README описывает именно способ упаковки и запуска, а не входы изображений или характеристики исходной модели. Модель распространяется в формате GGUF с квантованием Q4_K_XL, упакованном по слоям. Лицензионные условия, размер модели и длина контекста в предоставленных материалах не приведены; README отсылает за ними к карточке исходной модели.

Xirui1208 публикует исторический чекпойнт этапа HQA step15 из обучения readall_sft_hqa_rl_20260917_r1. Это плотная авторегрессионная модель Qwen2ForCausalLM на 7,1 млрд параметров в формате BF16/Safetensors, рассчитанная на генерацию текста и диалоговые сценарии. Встроенный контекст модели — 32 768 токенов; более длинные документы обрабатываются пошаговым workflow ReadTwice с разбиением на страницы, а не одним вызовом модели. Чекпойнт предназначен для ответов на вопросы по длинным документам в сценарии HQA. В README приведены результаты greedy-декодирования на 128 примерах для контекстов 56k, 112k и 224k токенов с метриками SubEM, EM и F1; оценка LongBench для этой версии не заявлена. Указанные результаты относятся к конкретному протоколу ReadTwice и не сопоставимы напрямую с более поздним протоколом MemAgent. Для greedy-инференса нужно отключить семплирование. Репозиторий публичен; лицензия в предоставленных данных не приведена.

OpenJev (Verdict) — дообученная модель принятия решений на основе ModernBERT, опубликованная heman10x. Она оценивает текст и заданные кандидаты, выдавая выбор, порядковую оценку или вероятности классов за один проход без генерации текста. Модель рассчитана на структурированные программные сценарии, где нужны быстрые семантические суждения и оценка уверенности; предусмотрен отдельный вариант отказа при недостатке свидетельств. Модель построена на GLiClass/ModernBERT с 151 378 177 параметрами и поддерживает до 25 кандидатов за один вызов. Для калибровки использованы совместная функция потерь Cross-Entropy и Brier Score, а затем температурное масштабирование. Заявлены запуск через PyTorch и ONNX Runtime, а также локально в браузере с WebGPU/WASM. Лицензия — Apache-2.0. В README приведены результаты на тестовом наборе из 1 000 примеров с пятью кандидатами: точность Top-1 — 95%, Brier Score после калибровки — 0,0785. Эти показатели относятся к указанной оценке и не гарантируют качество на других данных; модель не предназначена для свободного диалога и генерации текста.

Immerwinter/roberta-wechsel-privacy-policy-content-retention — немецкоязычная модель классификации текста, созданная на основе benjamin/roberta-base-wechsel-german. Она предназначена для отнесения фрагментов политики конфиденциальности к теме Content и категории Retention; README перечисляет также соседние категории конвейера, включая Deletion, Processing и UserRights. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Модель NajafAli01/sentiment_results разработана Najaf Ali и представляет собой дообученный DistilBERT для трёхклассовой классификации тональности английского текста: отрицательная, нейтральная и положительная. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и обучена на датасете syedkhalid0/Sentiment-Analysis объёмом около 105 тысяч примеров. Для работы с текстом модель принимает до 512 токенов и выдаёт класс тональности. Модель подходит для анализа отзывов о товарах и развлечениях, публикаций и комментариев в социальных сетях, клиентских обращений и ответов на опросы. Лицензия — Apache 2.0. В карточке приведены примеры предсказаний, но метрики тестирования оставлены незаполненными, поэтому качество по ним оценить нельзя.

Модель scholarly360/setfit-contracts-clauses — классификатор договорных положений на базе SetFit. Она дообучена на sentence-transformers/all-MiniLM-L6-v2: энкодер предложений использует контрастивное обучение, а классификационную голову образует LogisticRegression. Модель различает 100 классов положений, включая применимое право и количество экземпляров договора; в README приведена точность 0,9425 для всего набора меток. Модель предназначена для классификации фрагментов договоров и извлечения типа положения из текста. Она принимает текстовые последовательности; метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Базовый энкодер ориентирован на английский язык, а примеры меток также англоязычные. Репозиторий использует библиотеку SetFit и формат весов safetensors. Условия лицензии в предоставленных данных не приведены.

Модель amazon/sm-hackathon-actionability-9-multi-outputs-setfit-model-v0.1 разработана Amazon и предназначена для классификации текста. Это модель SetFit, обученная методом few-shot: сначала Sentence Transformer дообучается с контрастивным обучением, затем на его признаках обучается классификационная голова. Архитектура основана на MPNet, число параметров — 136,7 млн, контекст — до 514 токенов. Модель принимает текст и выдаёт класс текста; также каталог указывает поддержку извлечения признаков и оценки сходства предложений. Она может быть полезна для классификации при ограниченном количестве размеченных примеров. Распространяется по лицензии Apache-2.0.

Модель nrshoudi/speech_ocean_wav2vec_mdd разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи. Это аудиомодель архитектуры Wav2Vec2 с примерно 402,8 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: WER 0,0863, CER 0,0692 и loss 0,3663. Данные обучения и языки распознавания не описаны, поэтому применимость к конкретным языкам и условиям записи по карточке установить нельзя.

Defog SQLCoder2 — созданная Defog языковая модель на 15 млрд параметров для преобразования вопросов на естественном языке в SQL-запросы. Это дообученная версия базовой модели StarCoder с архитектурой GPTBigCode; веса доступны в формате PyTorch, а контекст составляет 8192 токена. Модель предназначена для генерации запросов по описанию схемы базы данных и вопросу пользователя. В опубликованной Defog оценке на наборах данных, не встречавшихся при обучении, SQLCoder2 получила 77,5% правильных ответов. Разработчик также сообщает, что дообучение на конкретной схеме может повысить качество, однако результаты зависят от схемы и формулировки запроса. Для работы с полной точностью модель проверяли на GPU A100 с 40 ГБ памяти; README также описывает запуск 8- и 4-битных квантованных вариантов на устройствах с 20 ГБ памяти. В метаданных указана лицензия other, поэтому перед использованием следует проверить условия в репозитории модели.

InternScience/StructTable-base — модель семейства Pix2Struct, разработанная авторами StructEqTable для преобразования изображений таблиц в код LaTeX. Она предназначена для извлечения структуры таблиц из научных документов и может применяться в задачах последующего анализа табличных данных. В карточке указаны варианты с 4096 и 2048 визуальными токенами; размер модели составляет около 300 млн параметров, обучение проводилось на DocGenome. Версия с аугментацией данных заявлена как более быстрая и устойчивая при инференсе. Модель принимает изображение таблицы и по умолчанию выдаёт текст с разметкой LaTeX. README сообщает о поддержке таблиц из научных документов и китайской версии. Для простых таблиц LaTeX-вывод можно преобразовать в HTML или Markdown внешним инструментом; поддержка объединённых ячеек при таком преобразовании ограничена. Точность может снижаться на шрифтах, отличных от Times New Roman и 宋体. Репозиторий распространяется по лицензии Apache-2.0.

SuperScout-7B — модель на 7,1 млрд параметров от SuperAGI для поиска причин ошибок в репозиториях программного обеспечения. Она принимает описание проблемы и контекст репозитория, исследует код, определяет вероятно затронутые файлы, пытается подготовить воспроизведение сбоя и формирует структурированный документ передачи задачи следующей модели. SuperScout выполняет этап поиска и не предназначена для написания исправлений. Модель представляет собой дообученную с помощью LoRA инструкционную Qwen2.5-Coder-7B-Instruct с архитектурой Qwen2 и контекстом до 32 768 токенов. Обучение было ориентировано на Python, Go, TypeScript и JavaScript; в README также описан перенос навыка локализации на другие языки программирования. Для описанной авторами конфигурации рекомендуется выборка с температурой 0,9: жадное декодирование заметно снижало частоту выдачи результатов. Модель предназначена для использования как поисковый этап системы SuperScout, которая проверяет заявленные воспроизведения в песочнице и передаёт задачу одной из моделей-исправителей. Оценки системы основаны на Python-срезе одного бенчмарка, а качество локализации за один проход умеренное; заявленные моделью воспроизведения требуют проверки. Распространяется по лицензии Apache-2.0.

Tanaos разработала эту модель на базе tanaos/tanaos-NER-v1 и дообучила её с помощью библиотеки Artifex на синтетических данных для распознавания персональных данных в тексте. Это модель RoBERTa для токеновой классификации с 151,8 млн параметров и контекстом до 514 токенов. Она выделяет пять категорий чувствительных сущностей, включая имена людей, местоположения и даты, после чего обнаруженные фрагменты можно удалить или заменить для анонимизации текста. Модель предназначена для подготовки текстов к передаче, публикации или дальнейшей обработке, когда требуется снизить риск раскрытия персональных данных. В карточке заявлена поддержка английского языка; обучение проводилось на синтетическом наборе примерно из 10 тысяч фрагментов. Указана лицензия MIT. Авторы отмечают, что для специализированных текстов может потребоваться дополнительное дообучение; распознавание сущностей само по себе не гарантирует полного удаления всех персональных данных или соответствия требованиям GDPR.

Terminal-dataquerying — дообученная на базе Qwen/Qwen3-8B диалоговая языковая модель, созданная автором репозитория и обученная на наборах nemotron_easy_data_querying и nemotron_medium_data_querying. Она предназначена для генерации текста в сценариях запросов к данным; карточка не раскрывает конкретные форматы запросов или результаты оценки. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Метаданные указывают контекст длиной до 40 960 токенов и библиотеку Transformers. Языковые возможности соответствуют базовой многоязычной модели Qwen3-8B, но отдельные языки для этой версии не перечислены. Указана лицензия other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория и базовой модели.

Tucano2-qwen-0.5B-Instruct — компактная португалоязычная языковая модель для диалогов и выполнения инструкций, разработанная Polygl0t. Это плотная Transformer-модель семейства Qwen3 примерно с 403 млн параметров и контекстом 4096 токенов; она принимает текст и генерирует текст. Модель дообучена на Tucano2-qwen-0.5B-Base с помощью одного этапа supervised fine-tuning и одного этапа Anchored Preference Optimization. Модель предназначена для генерации ответов на португальском языке, суммаризации, структурированного вывода, function calling и использования в RAG-сценариях. Авторы представляют её как основу для исследований и разработки португалоязычных приложений; открытые наборы данных, код и рецепты обучения поддерживают воспроизводимость. Лицензия Apache 2.0. Малый размер делает модель компактной, но она может галлюцинировать, воспроизводить предубеждения и токсичность, повторяться или давать излишне многословные ответы. Она рассчитана прежде всего на португальский язык, поэтому на других языках возможны ошибки; для практического применения нужна самостоятельная оценка качества и рисков.

UniNER-7B-type-sup — модель семейства LLaMA, обученная на сочетании синтетических данных Pile-NER-type, созданных ChatGPT, и 40 размеченных наборов данных бенчмарка Universal NER. Из обучающей выборки исключены CrossNER и MIT для оценки обобщения на данные вне обучающего распределения. Модель предназначена для извлечения именованных сущностей и генерации ответов в формате text-generation. Она содержит 6,6 млрд параметров, принимает текст и поддерживает контекст до 2048 токенов. В метаданных указан английский язык. Модель опубликована под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. README отсылает к статье и репозиторию с инструкциями по применению, но не приводит результаты оценки качества.