I.14Автоматизация процессов и AI-агенты

facebook/dpr-question_encoder-single-nq-base — англоязычный кодировщик вопросов из набора Dense Passage Retrieval (DPR), разработанный авторами DPR и опубликованный в репозитории Facebook на Hugging Face. Модель представляет собой BERT-основанный плотный энкодер с архитектурой DPRQuestionEncoder; содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена на Natural Questions для поиска релевантных фрагментов при ответах на вопросы по открытым источникам. Энкодер преобразует вопрос в векторное представление для сопоставления с векторами документов, закодированных соответствующим DPR-кодировщиком контекста. Его применяют как компонент конвейера поиска для открытого вопросно-ответного поиска и извлечения контекста; сам по себе он не генерирует ответ. Доступны веса PyTorch и TensorFlow. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование без отдельного разрешения. Качество поиска зависит от домена и коллекции документов; модель обучена на английских данных Natural Questions, а карточка предупреждает о возможных стереотипных и вредоносных ассоциациях.

DUSUNEN Rota 270M v1 — компактная плотная модель текстовых эмбеддингов, разработанная GoktugD на базе microsoft/harrier-oss-v1-270m. Она кодирует турецкие поисковые запросы и фрагменты документов в общее 640-мерное векторное пространство для первичного поиска, семантического поиска и отбора кандидатов для RAG. Модель содержит около 257 млн параметров, использует архитектуру Gemma3Text и имеет контекст до 32 768 токенов; для запросов требуется заданный инструкционный формат, документы подаются как обычный текст. Модель дообучена на 100 000 триплетах, происходящих из машинного перевода MS MARCO, и распространяется в форматах Safetensors и ONNX под лицензией MIT. В опубликованной оценке на небольшом наборе исторических вопросов и документов на турецком она немного превосходит Mursit Base TR Retrieval по нескольким метрикам, но уступает базовой Harrier и multilingual-e5-base по MRR@10. Это результат адаптации к домену, а не универсальное улучшение; оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

Efficient SPLADE от Naver — асимметричная модель поиска по тексту, представленная отдельными энкодерами для запросов и документов. Этот репозиторий содержит вариант для кодирования запросов; для поиска также нужен соответствующий энкодер документов. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и извлечения пассажей. Архитектура основана на BERT с головой masked language modeling; максимальная длина входа — 512 токенов, а векторное сходство вычисляется скалярным произведением. В метаданных указано 4,4 млн параметров и поддержка английского языка; модель связана с MS MARCO. Модель подходит для построения поисковых систем и retrieval-компонента RAG, где требуется сопоставлять запросы с текстовыми фрагментами. Карточка приводит результаты на MS MARCO и низкую задержку для варианта Efficient SPLADE-VI-BT-large, но не уточняет условия измерений. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

leomaurodesenv/electra-base-discriminator-answerable-or-not-augmented — модель классификации текста, дообученная на базе google/electra-base-discriminator. По названию она предназначена для определения того, можно ли ответить на вопрос по предоставленному контексту; README не раскрывает подробности набора данных или способа применения. Модель использует энкодер ELECTRA и классификационную голову ElectraForSequenceClassification. Она содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,9374 и loss 0,2293; состав и размер оценочного набора не описаны. Лицензия — Apache-2.0. Карточка указывает английскую базовую модель, но язык обучающих данных не раскрывает, поэтому английский сценарий можно считать предположительным. Качество на других данных и языках не подтверждено.

Erlangshen-UniEX-RoBERTa-330M-Chinese — китайская модель семейства RoBERTa от команды Fengshenbang, предназначенная для извлечения информации из текста. Она сводит распознавание сущностей, извлечение отношений и событий к задачам над парами токенов, объединяя текст и метки в общем представлении с помощью Triaffine attention. По README, модель обучалась на слабой разметке из структурированных данных Baidu Baike и наборах данных для распознавания сущностей, извлечения отношений и событий, а также ответов на вопросы. Заявлены возможности few-shot и zero-shot извлечения. Модель имеет архитектуру BERT с классом BertForMaskedLM, содержит около 424,3 млн параметров и принимает контекст до 512 токенов. Опубликованный формат — PyTorch; лицензия — Apache-2.0. В README размер указан как 110 млн параметров, что расходится с метаданными Hugging Face.

sapkotapraful/FullyOCR-2-dev — дообученная с помощью TRL модель на базе unsloth/Qwen3.5-0.8B. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для обработки изображений с формированием текстового ответа. В карточке Hugging Face указана задача image-text-to-text и возможность работы с изображениями. Модель можно применять для извлечения текста и сведений из изображений, а также для вопросов и ответов по визуальным материалам. README содержит пример диалоговой генерации текста, но не описывает специализированные OCR-возможности, обучающие данные, качество распознавания, поддерживаемые языки или длину контекста. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

GLiNER2.5-KVKK-TR-v2 — модель извлечения сущностей и связей, созданная Newmind AI на основе fastino/gliner2.5-multi-v1. Она использует архитектуру GLiNER2 BoundaryExtractor: принимает текст и заданную схему меток, а затем извлекает сущности и связи за один проход. Модель дообучена в два этапа на турецких юридических текстах и данных для выявления персональной информации по требованиям KVKK; использует 118 меток с турецкими названиями. Базовая модель основана на mDeBERTa-v3-base и содержит 287 млн параметров. Модель предназначена для поиска персональных данных и других полей в юридических и нотариальных документах на турецком языке, а также для извлечения отношений между найденными сущностями. В карточке приведены результаты на синтетических и небольших наборах реальных документов; на реальных данных качество заметно ниже, чем на синтетическом тесте, а распознавание названий компаний и учреждений представляет особую сложность. Для получения ожидаемого качества рекомендуется подавать целые документы или абзацы, а не отдельные предложения. Лицензия — Apache-2.0.

GLiNER Guard Unified Multitask Guardrail — модель-энкодер на архитектуре GLiNER2, разработанная HiveTrace для защитной фильтрации текстовых сообщений. По заявлению карточки, модель содержит 147 млн параметров и объединяет в одном проходе классификацию безопасности, извлечение персональных данных, обнаружение атак на LLM, классификацию вредоносного содержания, намерения и тона. Она поддерживает zero-shot обобщение на пользовательские метки; для извлечения сущностей и классификации доступны готовые наборы категорий. Модель дообучена на jhu-clsp/mmBERT-small и рассчитана на английский и русский языки. Модель подходит для проверки входящих запросов и текстов в системах модерации, защиты LLM и обработки персональных данных. README предупреждает, что пользовательские метки для извлечения сущностей могут работать, но не оценивались на бенчмарках. Лицензия — Apache-2.0.

arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

ivanovsdesign/huawei-data-classification — русскоязычный классификатор текста, созданный дообучением BERT-модели blanchefort/rubert-base-cased-sentiment-rusentiment с помощью AutoTrain. Модель предназначена для отнесения текста к заданным категориям; карточка указывает задачу классификации текста, но не описывает сами категории и целевую область применения. Модель использует архитектуру BERT для классификации последовательностей, содержит около 205,1 млн параметров и рассчитана на контекст до 512 токенов. Валидационные метрики в README: accuracy и micro-F1 около 0,673, macro-F1 около 0,455. Лицензия в предоставленных данных не указана.

InternVL3-1B-GGUF — мультимодальная модель для понимания и генерации текста по изображениям, разработанная командой OpenGVLab и представленная в формате GGUF командой Unsloth. Она основана на OpenGVLab/InternVL3-1B и использует данные MMPR-v1.2 для дообучения или адаптации. Модель предназначена для задач image-to-text, включая анализ изображений, визуальное восприятие и рассуждение, а также потенциально для работы с инструментами, GUI-агентами, промышленными изображениями и 3D-восприятием. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 соединена через MLP-проектор с языковой частью Qwen2.5-0.5B. Общий размер семейства для этой конфигурации — 1B параметров. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков и размер контекстного окна в карточке не указаны. К сильным сторонам относятся сочетание визуального и языкового понимания, компактный размер и возможность использования GGUF для локального запуска при подходящей инфраструктуре. Ограничения включают меньшую ёмкость по сравнению с крупными вариантами InternVL3, а также отсутствие в карточке подробных данных о требованиях к памяти, производительности, точности на бенчмарках и совместимости конкретных рантаймов. В карточке указана лицензия Apache-2.0; дополнительно приведена ссылка на лицензию Qwen.

kl3m-004-correction-001 — языковая модель ALEA Institute для исправления текста на английском языке, особенно в юридических и финансовых документах. Она предназначена для устранения опечаток, орфографических ошибок, типичных ошибок OCR и проблем форматирования, а также для нормализации текста и посимвольных преобразований. Модель использует архитектуру LlamaForCausalLM и содержит около 545,3 млн параметров по метаданным; в README указано 478,2 млн. Для обработки применяется регистрозависимый BPE-токенизатор kl3m-004-char-8k-cased с токенами длиной от одного до трёх символов. Контекст ограничен 512 токенами. Модель обучена на предсказании следующего токена со специальными токенами для коррекции и рассчитана на работу через Transformers. К сильным сторонам относятся мелкозернистая обработка символов и ориентация на OCR- и форматные ошибки в специализированных документах. Модель в основном рассчитана на английский язык, имеет небольшой контекст и может не справляться со сложными смысловыми ошибками или коррекциями, требующими широкого контекста. Она не предназначена для перевода или свободной генерации контента. Лицензия — CC-BY-4.0.

kadirnar/Llama3.3-70b-Vision — экспериментальная визуально-языковая модель на основе Meta Llama 3.3 70B Instruct. В README указаны архитектура Llama и визуальный энкодер SigLIP; модель предназначена для диалога и понимания изображений, включая их описание, сохраняя языковые возможности базовой модели. Метаданные указывают на дообучение, формат safetensors и интерфейс вызова инструментов. Базовая модель поддерживает несколько языков и контекст до 128 тысяч токенов. README называет проект находящимся в разработке, поэтому заявленные возможности работы с изображениями следует считать предварительными. Метаданные классифицируют основную задачу как генерацию текста; отдельного pipeline-тега для обработки изображений нет. Лицензия в предоставленных данных не указана.

Это дообученная модель KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров, опубликованная в формате PyTorch и Safetensors для библиотеки Transformers. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст модели составляет до 40 960 токенов. Модель создана на неизвестном датасете, а сведения о её обучении, оценке и специальных сценариях применения не приведены. Репозиторий распространяется по лицензии Apache-2.0. README не описывает отдельные преимущества или ограничения качества.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель создана 13 августа 2026 года и распространяется в форматах PyTorch и safetensors через Transformers. Лицензия — Apache-2.0. Карточка не описывает обучающий датасет, конкретные сценарии, оценку качества или специальные ограничения. Контекстное окно составляет 40 960 токенов. По имеющимся сведениям модель принимает и выдаёт текст.

Mankei-326M-Reranker — немецкий кросс-энкодерный ранжировщик от Keyvan AI с 326,4 млн параметров на архитектуре Llama. Он оценивает пары «запрос — фрагмент текста» и переупорядочивает найденные документы, уточняя результаты первого этапа поиска в RAG-системе. Модель рассчитана на немецкоязычный поиск и локальное развёртывание; контекст — до 2048 токенов. В README сообщается о результатах на отложенных вопросах GermanDPR: Acc@1 92,8% и MRR 0,963; это результаты указанного автора тестирования. Модель обучена с учителем на GermanDPR с listwise loss и жёсткими негативными примерами; использует last-token pooling и линейный слой релевантности, а LoRA применялась к немецкой базовой модели Mankei. Лицензия — Apache-2.0. Предназначена для ранжирования текстовых кандидатов, а не для генерации ответов; качество за пределами описанного немецкоязычного бенчмарка README не устанавливает.

mini1013/master_item_top_bt_flat — модель классификации текстов на основе SetFit, разработанная автором репозитория mini1013. Она предназначена для отнесения описаний товаров и связанных с ними категорий к одному из 121 классов, например для классификации товарных позиций в каталоге интернет-магазина. Модель обучена в два этапа: контрастивная настройка Sentence Transformer mini1013/master_domain и обучение классификатора LogisticRegression на полученных признаках. Основа использует архитектуру RoBERTa и содержит 137,8 млн параметров; для работы с моделью предусмотрена библиотека SetFit.

Это конверсия MetaCLIP 2 Worldwide M16 в формат Keras 3, опубликованная zeromodels на основе facebook/metaclip-2-worldwide-m16. Модель с архитектурой CLIP использует два энкодера: один для изображений, другой для текста. Она предназначена для классификации изображений по текстовым описаниям в zero-shot режиме, без отдельного обучения на заданных классах. Вариант Worldwide обучен на многоязычном распределении данных и использует словарь XLM-RoBERTa размером 901 тыс. токенов, поэтому принимает текстовые метки на разных языках, включая английский, французский, испанский и немецкий. Конверсия работает через Keras 3 с бэкендами TensorFlow, Torch и JAX; для загрузки предлагается совместимый Processor, который подбирает размер изображения и токенизатор. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование.

cross-encoder/ms-marco-TinyBERT-L2-v2 — компактный кросс-энкодер на архитектуре BERT, дообученный на задаче ранжирования отрывков MS MARCO. Модель разработана командой Sentence Transformers и предназначена для информационного поиска: она оценивает релевантность пары «запрос — отрывок», после чего найденные документы можно отсортировать по оценке. Обычно её используют как второй этап поиска после первичного отбора кандидатов, например поисковой системой ElasticSearch. Модель содержит 4,4 млн параметров, принимает текст и выдаёт оценку релевантности; максимальная длина входа — 512 токенов. Основной язык — английский. В приведённом сравнении модель показывает NDCG@10 69,84 на TREC Deep Learning 2019 и MRR@10 32,56 на тестовой выборке MS MARCO; в замерах на V100 указана скорость 9000 документов в секунду. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0.

Модель r1char9/ner-rubert-tiny-news — русскоязычная модель для распознавания именованных сущностей в новостных текстах. Она помечает в тексте имена людей, организации и географические названия; карточка также упоминает ещё два типа сущностей, но их названия в доступном фрагменте таблицы отсутствуют. Модель основана на BERT и дообучена на cointegrated/rubert-tiny2. Она содержит 29 млн параметров, принимает текст с контекстом до 2048 токенов и опубликована в формате PyTorch. Лицензия — MIT.

gaudi/opus-mt-zh-en-ctranslate2 — версия модели перевода Opus-MT, подготовленная сообществом на основе работ Helsinki-NLP, CTranslate2 и michaelfeil. Это encoder-decoder модель семейства Marian для перевода с китайского на английский, преобразованная в формат CTranslate2 для ускоренного инференса на CPU и GPU. Для вычислений поддерживаются режимы int8 на CPU и int8_float16 на CUDA. Модель предназначена для перевода текстов с китайского языка на английский, в том числе при пакетной обработке и развёртывании сервиса перевода. CTranslate2 оптимизирует выполнение за счёт таких приёмов, как квантование весов и объединение слоёв; приведённые в README бенчмарки показывают ускорение на тестовых конфигурациях, но относятся к другим языковым направлениям и условиям запуска. Внутренние тесты авторов конвертации показали возможное небольшое снижение BLEU относительно исходных чекпойнтов; эффект зависит от конфигурации и квантования. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

PeroVazPT-BR Classifier — классификатор текста, разработанный на основе prajjwal1/bert-tiny и дообученный на датасете VeraCruz для различения европейского португальского и бразильского португальского. Модель использует архитектуру BERT и содержит 4,4 млн параметров; для входного текста поддерживает контекст до 512 токенов. Модель предназначена для определения варианта португальского языка в тексте. В README указано, что обучение проводилось на 500 тысячах сбалансированных примеров, а точность на выборке из 50 тысяч примеров составила 0,9461. Модель распространяется по лицензии MIT.

PIXIE-Spell-Preview-0.6B — модель эмбеддингов компании TelePIX Co., Ltd., построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов на корейском и английском языках, с особым акцентом на аэрокосмическую тематику; также подходит для поиска по документам, технических вопросов и открытых коллекций. Модель содержит 507,9 млн параметров и выдаёт векторы размерностью 1024, которые нормализуются для сравнения косинусным сходством. В README указана максимальная длина последовательности 8192 токена, а метаданные каталога указывают контекст до 40960 токенов. Веса доступны в формате safetensors, лицензия — Apache 2.0. Модель обучалась и оценивалась для задач поиска на корейских и англоязычных бенчмарках; результаты README не гарантируют аналогичного качества на конкретных данных, поэтому качество следует проверять на целевой коллекции. Модель выдаёт эмбеддинги, а не готовые ответы или ранжированный список без отдельной системы поиска.

PrismNLI-0.4B — англоязычная модель Jaehun для вывода по естественному языку и классификации без дополнительного обучения. Она дообучена на 515 тысячах синтетических примеров датасета PrismNLI, созданных с помощью Qwen2.5-72B-Instruct; исходной моделью послужила microsoft/deberta-v3-large-zeroshot-v2.0. Архитектура — DeBERTa V3 Large для классификации последовательностей, размер — 533,8 млн параметров, максимальный контекст — 512 токенов. Модель проверяет, следует ли гипотеза из посылки: метка 0 означает entailment, а метка 1 — not-entailment. Такой формат позволяет использовать её как классификатор с заданными пользователем категориями: категории формулируются как гипотезы, а модель оценивает их соответствие входному тексту. README сообщает о результатах на восьми бенчмарках NLI, но не приводит чисел для этой версии в доступной таблице. Модель предназначена для англоязычных текстовых задач и распространяется по лицензии CC. Для надёжных результатов следует формулировать категории как проверяемые утверждения; качество на других языках и за пределами NLI и zero-shot классификации в карточке не подтверждено.

PyCodeGPT — предварительно обученная модель для генерации и автодополнения кода на Python, основанная на GPT-Neo. Разработчики обучали её на корпусе из примерно 13 миллионов очищенных файлов Python, собранных из репозиториев GitHub. В README описан вариант PyCodeGPT-110M, производный от GPT-Neo 125M; в метаданных репозитория указаны 123,7 млн параметров, архитектура GPTNeoForCausalLM и формат PyTorch. Модель предназначена для продолжения фрагментов кода и генерации решений на Python по текстовому запросу или началу программы. В README приведена оценка на HumanEval: pass@1 — 8,32%, pass@10 — 13,53%, pass@100 — 18,3%; результаты зависят от методики генерации и не гарантируют корректность кода. Модель принимает и выдаёт текст, имеет контекстное окно 2048 токенов. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Это дообученная модель Liquid AI семейства LFM2.5, созданная langleu на основе LiquidAI/LFM2.5-1.2B-Base с применением LoRA и обучающих данных QMD v2. Она предназначена для расширения поисковых запросов: по исходному запросу формирует строки для лексического и векторного поиска, а также HyDE; поддерживает указание намерения запроса и директивы выбора типа расширения. Модель имеет плотную архитектуру Lfm2ForCausalLM и содержит 1,5 млрд параметров. Контекст составляет до 128 000 токенов. В репозитории доступны объединённый BF16-чекпойнт Transformers и варианты GGUF Q4_K_M, Q5_K_M и Q8_0; для QMD следует использовать GGUF. В проверке опубликованного варианта Q5_K_M средняя награда составила 95,17%, соблюдение формата — 100%, сохранение сущностей — 98,31%; результаты проверки относятся к указанному набору данных и не гарантируют аналогичное качество на других запросах. Модель принимает текст запроса и выдаёт текстовые расширения с метками lex, vec или hyde. README не определяет поддерживаемые естественные языки, поэтому языковую специализацию установить нельзя. Производная модель распространяется по LFM Open License v1.0; лицензию необходимо сохранять с условиями атрибуции и коммерческого использования. Лицензия набора данных на зафиксированной версии явно не указана, поэтому пользователям и распространителям следует самостоятельно подтвердить право на его использование.

Kendamarron/Qwen2.5-1.75B-A1.1B-Instruct-ja — японская инструкционная языковая модель с архитектурой Qwen2 MoE, разработанная на основе семейства Qwen2.5. Модель дообучена на базе Kendamarron/Qwen2.5-4x0.5B-cpt; в карточке также описано объединение моделей Qwen2.5-0.5B. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста на японском языке. Данные обучения включают японские инструкции и материалы по математике с пошаговыми рассуждениями, а также синтетические японско-английские примеры программирования; это может быть полезно для ответов на запросы, математических объяснений и помощи с кодом. Модель поддерживает интерфейс вызова инструментов. Модель опубликована в форматах PyTorch и Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. В карточке приведён результат оценки loss 1,0085, но подробности тестового набора и ограничений не раскрыты.

Qwen3-1.7B-plumb — модель на базе Qwen3-1.7B от Totum Labs для диалогов и генерации текста с дополнительной головой принятия решений. Она выбирает из заданных вариантов, отвечает «да» или «нет» либо выставляет оценку, выдавая вероятности для вариантов и калиброванное решение за один проход по уже накопленному KV-кэшу. В репозитории веса Qwen3-1.7B сохранены без изменений; добавлены обученная голова решений на 51,5 млн параметров и адаптер LoRA, активный при обработке решений. Общий размер базовой модели — 1,7 млрд параметров, длина контекста — до 40 960 токенов. Модель предназначена для принятия структурированных решений в диалоге, в том числе выбора варианта по контексту, ранжирования заданных вариантов и выставления оценок; она также сохраняет возможности базовой Qwen3 для генерации текста и общения. README сообщает о тестировании на 447 отложенных решениях и приводит более высокую точность, чем у базовой модели в указанных настройках. Для работы требуются vLLM 0.30.0 и плагин Plumbify; указано ограничение на запуск на одном GPU без tensor и pipeline parallelism. Обучающие решения были на английском, а голова выбирает только из предложенных вариантов и не проверяет их корректность. Лицензия — Apache-2.0.

Manitec выпустил Qwen3-4B-Instruct-2507-uncensored-v2 — минимально дообученную версию Qwen3-4B-Instruct-2507, предназначенную для диалоговой генерации текста. Автор заявляет, что модель почти не отказывает в ответах, но по умолчанию не должна быть чрезмерно оскорбительной и лучше следует подробным инструкциям. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов. Она работает с текстом, поддерживает чат и интерфейс вызова инструментов; README описывает дообучение в течение двух эпох с низкой скоростью обучения. По метаданным, модель распространяется в формате safetensors под лицензией Apache-2.0. Заявления о поведении основаны на описании автора; карточка приводит сравнение perplexity и KL divergence с родительской моделью, но не содержит полной методики или независимой оценки. Дообучающий датасет не опубликован, поэтому его состав и возможное влияние на ответы проверить нельзя.

code-critic-model/qwen3-4b-sft-prm — копия Qwen3-4B-Critic-SFT, критической языковой модели, дообученной авторами проекта Steer, Don't Solve на корпусе CWM + Qwen. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для оценки и критики решений, в том числе в сценариях работы кодовых агентов. Веса совпадают побайтно с указанной моделью; README рекомендует обращаться к её полной карточке для подробностей. Это плотная модель Qwen3 с 3,7 млрд параметров, использующая архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 262 144 токенов и поддержку чата. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных результатов оценки качества или подробных ограничений применения.