I.14Автоматизация процессов и AI-агенты

Модель mukowaty/punctuate-16 восстанавливает пунктуацию в тексте, выполняя поклассовую разметку токенов. Она основана на XLM-RoBERTa и работе Oliver Guhr; в модели около 305,2 млн параметров, а максимальный контекст составляет 514 токенов. В метаданных указана поддержка болгарского, английского, немецкого, французского, испанского, итальянского, польского, нидерландского, чешского, португальского, словенского, греческого, шведского, венгерского, румынского, словацкого и датского языков. Модель подходит для автоматического восстановления знаков препинания в текстах, где пунктуация была удалена или утрачена, например при подготовке распознанной речи к чтению. Она выпущена в формате PyTorch. Сведения о лицензии в доступных источниках отсутствуют.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Id-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. 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.

Qwen2.5-Coder-7B-SkyRL-SQL — языковая модель на архитектуре Qwen2, дообученная авторами репозитория lecunyin на базе Qwen/Qwen2.5-Coder-7B-Instruct методом GRPO по рецепту SkyRL-SQL. Модель содержит 7,1 млрд параметров, распространяется в формате Safetensors и имеет контекст до 32 768 токенов. Она предназначена для многошагового Text-to-SQL: получает схему базы данных и вопрос, выполняет исследовательские запросы к SQLite, учитывает результаты или ошибки и формирует итоговый SQL-ответ. В README сообщается о точности выполнения 69,8% pass@1 на отложенной выборке Spider после обучения; модель обучалась на 653 примерах и ожидает специальный формат взаимодействия SkyRL-SQL. Модель выпущена под лицензией Apache-2.0. Результаты и обучающие данные указывают на ограниченную область настройки; качество на других базах, диалектах SQL и форматах запросов отдельно не подтверждено.

Sakalti/Qwen2.5-test-2 — языковая модель на архитектуре Qwen2, созданная автором репозитория с помощью mergekit методом passthrough на основе Qwen/Qwen2.5-1.5B-Instruct. В конфигурации повторно включён диапазон слоёв 22–25; веса сохранены в формате safetensors, точность — bfloat16. Модель содержит 1,7 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая структурированные ответы и вызов инструментов через соответствующий интерфейс. В метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0. README описывает процедуру слияния, но не приводит оценки качества или результаты тестирования.

Qwen2-7B-Instruct-Refine — дообученная Alibaba PAI версия Qwen2-7B-Instruct, предназначенная для улучшения пользовательских промптов. Модель переписывает инструкции, чтобы повысить подробность и информативность ответов другой LLM. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров. Она принимает текстовые инструкции и генерирует уточнённые текстовые промпты; заявленная длина контекста — 131 072 токена. Для обучения использовались примеры из OpenHermes и LCCD, а аннотации создавались с помощью Qwen-max и авторских примеров. В приведённой оценке на одношаговых инструкциях MT-Bench уточнённые промпты улучшили показатели подробности и правдивости ответов базовой модели; результаты зависят от модели, к которой применяется промпт. Модель подходит для подготовки и улучшения промптов в чат-сценариях. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Tuwhy/Qwen3-1.7B-OPSA — языковая модель на архитектуре Qwen3, дообученная методом On-Policy Self-Adaptation (OPSA) на вопросах из набора DAPO-17k. По описанию OPSA улучшает политику без учительской и reward-модели, эталонного прохода базовой модели и вознаграждения за задачу. Модель предназначена для генерации текста и диалогов, особенно для решения математических задач и рассуждений; README также приводит результаты на задачах программирования и научных вопросах. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст. Для сопоставимости с опубликованными оценками рекомендуется отключать thinking mode; указанный для этой модели контекст — до 40 960 токенов. В оценках OPSA-вариант превзошёл базовую модель на AIME24, AIME25 и HMMT25 при указанной авторами схеме генерации 32 ответов на запрос. Модель разработана Tuwhy на базе Qwen/Qwen3-1.7B-Base и распространяется под лицензией Apache-2.0. Это небольшой чекпойнт с экспериментальным методом обучения; результаты из README относятся к конкретным настройкам выборки и не гарантируют аналогичного качества в других условиях. Англоязычный README заявляет многоязычную поддержку семейства Qwen3, но не перечисляет языки отдельно для этого чекпойнта.

t-firefly/qwen3.5-27b-rknn3-rk1828 — сборка модели Qwen3.5-27B, подготовленная t-firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это мультимодальная модель генерации текста по текстовым и визуальным входам с архитектурой Qwen3.5 и гибридной конструкцией Gated Delta Networks со разреженной смесью экспертов. В репозитории указаны форматы GGUF и safetensors, а метаданные отмечают поддержку диалогов, зрения и интерфейса вызова инструментов. Модель предназначена для диалогов, рассуждений и анализа изображений на совместимом устройстве RK1828. Исходная модель поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 млн токенов. Лицензия — Apache-2.0. README описывает сборку для LlamaPi, но не приводит измерений качества или подробностей о точности и квантовании файлов этой версии.

MSynSQL — специализированная модель для преобразования вопросов на естественном языке в SQL-запросы к базам SQLite. Её выпустила команда SQaLe как одну из моделей исследования о данных для компактных text-to-SQL систем. Модель основана на Qwen3.5-2B и дообучена методом GRPO на наборе SynSQL-2.5M; размер базовой модели — 2 млрд параметров. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель работает как агент: исследует базу через инструменты, проверяет запрос выполнением и затем возвращает ответ. Для работы требуется цикл, который исполняет вызовы инструментов и передаёт результаты модели; схема базы не включается в исходный запрос. В README указаны результаты 44,3% на BIRD dev, 50,7% на SQaLe test и 13,3% на EHRSQL. Модель обучалась и оценивалась только на SQLite; на больших схемах она менее надёжно находит таблицы и значения, чем MSQaLe, и чаще вызывает инструменты, из-за чего выполнение может занимать больше времени. Архитектура включает неизменённую зрительную часть Qwen3.5, однако обучалась и оценивалась только языковая часть, на текстовых данных.

r4victor/qwen-wordle-full — дообученная модель Qwen/Qwen3.5-4B, обученная с использованием TRL. В метаданных указана архитектура Qwen3.5 для генерации текста с изображениями и поддержка диалога и зрения; веса опубликованы в формате safetensors. Карточка показывает пример запуска через Transformers и CUDA для диалоговой генерации. Хотя в названии есть Wordle, README не описывает специализированное решение Wordle или игровые возможности. Базовая модель содержит 4 млрд параметров и предназначена для диалога, понимания изображений, рассуждений и вызова инструментов. Лицензия в доступных данных не указана.

Rampart — модель классификации токенов, разработанная National Design Studio для клиентского обнаружения и маскирования персональных данных (PII) до передачи текста на сервер, провайдеру LLM или в системы журналирования. Она предназначена для AI-ассистентов, форм ввода и других сценариев, где пользовательский текст нужно обезличить непосредственно на устройстве. Модель является частью многоуровневой системы: вместе с ней используется детерминированный распознаватель структурированных идентификаторов. В основе лежит nreimers/MiniLM-L6-H384-uncased, дообученная с BIO-головой на 35 меток, соответствующих 17 типам сущностей. Модель содержит примерно 18,5 млн параметров, использует обрезанный словарь из 19 730 WordPiece-токенов, поддерживает последовательности до 512 токенов и поставляется в формате ONNX размером 14,7 МБ. Для ускорения работы применяются 4-битное умножение матриц и INT8-эмбеддинги. Запуск выполняется через ONNX Runtime Web с WASM или WebGPU и transformers.js. Поддерживаются английский, испанский, французский, немецкий, итальянский, португальский и нидерландский языки с латинской письменностью. Сильные стороны модели — небольшой размер, возможность браузерного и локального выполнения, обработка текста без отправки исходных данных на сервер и поддержка стабильных плейсхолдеров для многошаговых диалогов. Ограничения включают отсутствие поддержки нелатинских письменностей, неспособность выявлять косвенные или инференциальные идентификаторы и недостаточную устойчивость к целенаправленным атакам. Модель не должна рассматриваться как самостоятельный детектор государственных идентификаторов или как гарантия безопасности: для некоторых структурированных данных необходим сопутствующий детерминированный слой. Модель распространяется по лицензии CC BY 4.0; обучающие данные ai4privacy/pii-masking-openpii-1.5m также указаны под CC BY 4.0.

Adaptive Classifier — классификатор рисков на базе answerdotai/ModernBERT-base, представленный в формате safetensors. Модель различает два класса: high_risk и low_risk; в карточке указаны 10 обучающих примеров и эмбеддинги размерностью 768. Она поддерживает непрерывное обучение и динамическое добавление классов. Модель предназначена для классификации текстов по уровню риска. В карточке указана многоязычная поддержка, однако конкретные языки и области применения не перечислены. Лицензия — Apache-2.0.

rizzo-pii-0.3B — компактная модель rizzoaiacademy для обнаружения персональных данных в итальянских юридических текстах. Это энкодер ModernBERT на базе многоязычной jhu-clsp/mmBERT-base, дообученный для токен-классификации. Модель содержит около 306,9 млн параметров, принимает последовательности до 8192 токенов и размечает 22 категории PII с использованием BIO-схемы. Модель предназначена для локального выявления конфиденциальных данных и обратимой анонимизации документов перед передачей текста внешней LLM: значения заменяются метками-заполнителями, а локальный словарь позволяет восстановить их после обработки. Заявлены поддержка CPU и около 0,5 ГБ RAM. В тестах на итальянской выборке указаны precision 0,9876, recall 0,9900 и micro-F1 0,9888; модель ориентирована на юридические фирмы и задачи GDPR. Выпущена под лицензией MIT. Обучение было многоязычным на восьми языках, однако проверка качества проведена только для итальянского. Редкие категории могут распознаваться менее надёжно, а метки CATASTO и PROVINCE подвержены риску переобучения на шаблоны. Для структурированных полей автор рекомендует дополнять модель регулярными выражениями и проверками контрольных сумм.

uer/roberta-base-chinese-extractive-qa — китайская модель для извлекающего ответа на вопросы, разработанная UER и дообученная средствами UER-py. Она находит ответ в предоставленном тексте, поэтому подходит для поиска фактических ответов в китайских документах и фрагментах текста. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и рассчитана на контекст до 512 токенов. При дообучении использовались обучающие части наборов CMRC2018, WebQA и LaSi. Модель поддерживает китайский язык; веса доступны в форматах PyTorch, TensorFlow и Flax. Это производный чекпойнт на базе RoBERTa для китайского языка. Лицензия в предоставленных данных не указана.

Это модель распознавания именованных сущностей в публикациях Twitter, разработанная и опубликованная проектом T-NER. Она дообучена на roberta-base с использованием обучающей части train_2021 набора tner/tweetner7 и предназначена для разметки токенов в англоязычных твитах. Модель выделяет людей, организации, творческие работы, события, группы, географические объекты и продукты; содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. На тестовой выборке 2021 года micro F1 составляет около 0,618, а macro F1 — около 0,570; точность заметно различается по типам сущностей, например F1 для людей составляет около 0,813, а для творческих работ — около 0,380. Для входных текстов нужно учитывать форматирование TweetNER7: имена аккаунтов и URL заменены специальными представлениями. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных источниках отсутствуют.

UMUTeam/roberta-spanish-sentiment-analysis — модель команды UMUTeam для классификации тональности испанских текстов. Это дообученная модель MarIA на архитектуре RoBERTa, основанная на PlanTL-GOB-ES/roberta-base-bne. Для классификации последовательностей используется RobertaForSequenceClassification; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель присваивает тексту одну из трёх меток: негативную, нейтральную или позитивную. Она обучена на объединении нескольких наборов данных, включая TASS и данные о тональности в политической и других областях, и может применяться для анализа мнений в испаноязычных текстах. Модель распространяется по лицензии Apache-2.0.

RP3-1b-1.1 — диалоговая языковая модель RP3-AI с плотной архитектурой Llama и 1,2 млрд параметров. Она дообучена на основе RP3-AI/RP3-1b-1.0 с использованием Unsloth и TRL; в метаданных также указаны наборы yahma/alpaca-cleaned и HuggingFaceH4/ultrachat_200k. Модель предназначена для генерации текста и диалоговых ответов на английском языке. Её можно использовать для чат-ботов, ответов на вопросы и создания связного текста. Заявленная длина контекста составляет 131 072 токена; метаданные указывают поддержку интерфейса вызова инструментов. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не содержит сведений о качестве ответов или специальных ограничениях применения; как и другие небольшие языковые модели, она может генерировать неточные или вымышленные сведения.

IIS-NLP/sigma-cls — модель классификации текста на базе SetFit, созданная дообучением NovaSearch/stella_en_400M_v5. Она сочетает Sentence Transformer с классификационной головой SetFitHead и обучена методом few-shot: контрастивное дообучение энкодера дополняется обучением классификатора. Модель предназначена для отнесения текстов к одному из семи классов; в примерах меток указаны мозговой штурм, программирование и извлечение информации. Модель содержит 433,9 млн параметров. В метаданных указан контекст 8192 токена, а в README — максимальная длина последовательности 512 токенов. Базовая Stella ориентирована на английский язык, поэтому подтверждённая область применения модели — классификация англоязычных текстов. Указанная лицензия в доступных данных отсутствует.

skill-classifier-base-v2 — компактная модель бинарной классификации предложений, разработанная Loyola Data Mining. Она определяет, содержит ли отдельное предложение формулировку навыка, который может требоваться для работы; результатом служит метка класса и оценка уверенности. Модель использует архитектуру BERT для классификации последовательностей, насчитывает 32,4 млн параметров и принимает текст длиной до 512 токенов. В карточке указан английский язык, веса опубликованы в формате safetensors. Модель предназначена для анализа описаний вакансий и выделения предложений о требуемых навыках. В оценке на loyoladatamining/usajobs_validation указаны accuracy 0,9748 и F1 0,9749; предыдущая версия показала 0,8335 и 0,8437 соответственно. Это бинарный классификатор, обученный для предложений о навыках, поэтому его метки не дают подробной классификации самих навыков, а качество на других жанрах и языках в карточке не подтверждено. Лицензия — MIT. Базовая модель в README названа prajjwal1/bert-small, а метаданные каталога указывают дообучение loyoladatamining/skill-classifier-base.

RUSpam/spam_deberta_v4 — русскоязычная модель классификации текста на спам и не спам, разработанная на основе архитектуры DeBERTa и дообученная на наборе данных RUSpam/spam_dataset_v4. Она подходит для фильтрации спам-сообщений и автоматической разметки входящих текстов. Модель содержит 95,2 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Распространяется в форматах PyTorch и Safetensors по лицензии MIT.

stanfordnlp/stanza-multilingual — пакет моделей Stanza, разработанный Stanford NLP для лингвистического анализа текстов на многих языках. Он обрабатывает текст от базовой языковой обработки до синтаксического анализа и распознавания именованных сущностей; в метаданных Hugging Face основная задача указана как классификация токенов. Модели доступны через библиотеку Stanza и хранятся в формате PyTorch. Репозиторий предназначен для многоязычной обработки естественного языка, включая анализ структуры предложений и выделение сущностей. Лицензия — Apache 2.0. В карточке не приведены сведения о размере моделей и длине контекста.

TabRank — это диалоговая языковая модель на базе Qwen3-8B, дообученная AdarshSingh7647 для переранжирования таблиц. Она получает вопрос и список кандидатов-таблиц в одном сообщении и за одну генерацию возвращает их полный порядок в виде JSON с позициями кандидатов. Модель предназначена для второго этапа поиска: она переставляет таблицы из списка, уже найденного первой системой поиска, чтобы наиболее подходящие к вопросу оказались выше. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекстное окно 40 960 токенов. Для обучения применялся LoRA ранга 16, слитый с весами базовой модели; файлы представлены в формате safetensors. В README сообщается об оценке на пяти бенчмарках, использованных при обучении, и семи бенчмарках вне обучающей выборки; результаты показывают улучшение среднего nDCG@10 относительно базовой модели. Лицензия — Apache-2.0.

Tejapriyan-8B — персональная языковая модель, созданная и дообученная Teja Priyan на базе Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, контекстом до 32 768 токенов и весами Safetensors. Модель предназначена для диалога, распознавания личности создателя и генерации SQL-запросов по схеме базы данных. При дообучении применялись SFT для закрепления идентичности и GRPO с наградой за выполнение запросов в SQLite. По заявлению автора, это улучшает генерацию многотабличных JOIN, подзапросов и anti-join и снижает число ошибок при опоре на схему. Также отмечены возможности работы с кодом и интерфейс вызова инструментов. Модель ориентирована на английский язык; лицензия — Apache-2.0. Автор отдельно указывает на квантизированный вариант GGUF и интерактивную веб-демонстрацию.

Thinkless-1.5B-RL-DeepScaleR — языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, разработанная авторами проекта Thinkless. Она дообучена методом обучения с подкреплением на наборе agentica-org/DeepScaleR-Preview-Dataset и предназначена для генерации ответов с адаптивным выбором между кратким ответом и подробным рассуждением. Модель использует управляющие токены для выбора режима, а метод DeGRPO разделяет обучение выбору режима и точности ответа. В описанных авторами тестах на Minerva Algebra, MATH-500 и GSM8K модель сокращала использование длинных цепочек рассуждений на 50–90%, что может уменьшать вычислительные затраты. Репозиторий содержит веса Safetensors для Transformers, поддерживает диалоговый сценарий и имеет контекст до 32 768 токенов. Лицензия — Apache-2.0.

tidarat/tidarat-jiewhwan — дообученная модель XLM-RoBERTa для классификации тональности текста, основанная на cardiffnlp/twitter-xlm-roberta-base-sentiment. Она предназначена для определения тональности коротких текстов, в частности сообщений в социальных сетях. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает текст с контекстом до 514 токенов. Базовая модель многоязычная, но языки, на которых дообучали эту версию, не уточнены. Репозиторий содержит веса в формате safetensors. Лицензия не указана в доступных данных.

uniCOIL — это BERT-подобная модель Castorini для learned sparse retrieval, то есть поиска и ранжирования текстовых пассажей. Она обучена на MS MARCO Passage и преобразует запросы и документы в разреженные представления с контекстно-зависимыми весами терминов, совместимые со стандартными инвертированными индексами и impact scoring в Lucene/Pyserini. Модель предназначена для первого этапа информационного поиска: поиска релевантных пассажей по пользовательскому запросу, построения поисковых индексов и подготовки кандидатов для последующего reranking или RAG. В карточке Hugging Face указаны pipeline feature-extraction, архитектурное семейство BERT, библиотека Transformers и PyTorch, размер 136,7 млн параметров и контекст до 512 токенов. Сильная сторона uniCOIL — сочетание нейросетевого контекстного взвешивания терминов с эффективностью разреженных инвертированных индексов. Модель ориентирована на англоязычный корпус MS MARCO; сведения о лицензии и дополнительных языках в доступных источниках не установлены. Для полноценного поиска требуются индексация представлений и совместимый механизм impact scoring; модель не является генеративной и не предназначена для самостоятельного формирования ответов.

Vela Shield — модель классификации текста от llm-semantic-router, полученная дообучением энкодера Vela-1.0-Encoder-307M. Она оценивает безопасность пользовательских запросов и ответов модели по шести направлениям: выявляет вредный запрос, относит его к одной из 34 категорий риска, распознаёт попытки prompt injection и jailbreak, а также определяет вредность ответа, отказ и категории риска в ответе. Основные головы классификации работают на ModernBERT; запрос можно оценить за один проход энкодера. Отдельная label-conditioned голова позволяет оценивать категории по текстовым описаниям. Модель содержит 306,9 млн параметров и рассчитана на последовательности до 32 768 токенов с учётом специальных токенов, но обучалась на примерах длиной до 1 536 токенов. Поддерживает 17 языков, включая русский, английский, арабский, китайский и хинди. Предназначена для защитных фильтров и маршрутизации запросов и ответов; риск-сигнал сам по себе не означает, что нужно отказывать пользователю. Для классификации длинных текстов вызывающая система должна управлять усечением входа. Модель не предназначена для распознавания домена, модальности, сложности, намерения, PII или галлюцинаций. Лицензия — Apache-2.0.

Whisper-Large-V3-French — модель распознавания речи, разработанная дообучением openai/whisper-large-v3 для повышения качества транскрипции на французском языке. Она принимает аудио и генерирует текст с восстановленными регистрами, пунктуацией и числительными; подходит для коротких и длинных записей, включая разговоры с фоновым шумом и специализированной лексикой, например звонки в контакт-центр. Модель основана на архитектуре Whisper и содержит 905,2 млн параметров. Для длинных записей README описывает разбиение на сегменты по 30 секунд; такой режим может немного уступать последовательному декодированию по качеству, но обеспечивает более быструю обработку. В репозитории указаны веса safetensors и поддержка Transformers; README также описывает варианты использования в других реализациях Whisper. Модель выпущена под лицензией MIT. Её специализация — французская речь, поэтому качество для других языков не установлено приведёнными данными; результаты распознавания могут зависеть от шума, акцента и предметной лексики.

xFinder-llama38it — модель IAAR для извлечения ключевых ответов из выводов больших языковых моделей. Она создана дообучением Llama 3 8B Instruct и предназначена прежде всего для повышения точности и надёжности автоматической оценки ответов LLM. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст. Окно контекста составляет 8192 токена. В README описана оценка на размеченных тестовой и обобщающей выборках KAF Dataset, где модель сравнивали с извлечением ответов на основе регулярных выражений. Модель подходит для извлечения ответов в конвейерах оценки языковых моделей. Карточка сообщает об английском языке и формате PyTorch. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

xFinder-qwen1505 — компактная языковая модель, разработанная IAAR для извлечения ключевых ответов из текстовых ответов больших языковых моделей. Она дообучена на основе Qwen-1.5-0.5B и предназначена прежде всего для оценки результатов LLM на задачах, где нужно надёжно определить ответ в свободно сформулированном тексте. Модель помогает извлекать ответы из разнообразных формулировок, с которыми регулярные выражения справляются ненадёжно. В README сообщается об оценке на размеченных людьми тестовой и обобщающей выборках набора KAF и об улучшении точности и устойчивости извлечения по сравнению с подходами на основе регулярных выражений. Это причинная текстовая модель семейства Qwen2 с 463,9 млн параметров и контекстом до 32 768 токенов; карточка указывает английский язык. Модель подходит для автоматизации проверки ответов LLM и подготовки результатов к последующей оценке. Карточка не приводит подробностей о качестве на других наборах данных или языках. Лицензия CC BY-NC-ND 4.0 ограничивает использование и распространение производных материалов; перед применением следует учитывать её условия.

creemur/xlm-roberta-base-finetuned-panx-de — модель токеновой классификации на базе XLM-RoBERTa Base, дообученная для задачи PAN-X на немецком языке. Архитектура — плотная XLM-RoBERTa с головой классификации токенов; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и присваивает метки его токенам, что подходит для извлечения сущностей в немецком тексте. В README указана оценка F1 0,8602 и loss 0,1426 на тестовой выборке. Датасет описан как неизвестный, поэтому состав меток и охват доменов по карточке установить нельзя. Модель распространяется по лицензии MIT.