I.14Автоматизация процессов и AI-агенты

Это модель классификации тональности terrencewee12 на базе XLM-RoBERTa, дообученная на данных tyqiangz/multilingual-sentiments и других наборах для анализа тональности. Она относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Модель предназначена для анализа текстов на английском, малайском и китайском языках, в том числе сообщений в социальных сетях. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. В карточке приведены результаты оценки: accuracy 0,844 и F1 0,844. Модель принимает текст и выдаёт метку тональности. Качество может снижаться на других языках, доменах и типах текста, не представленных в обучающих данных. Лицензия — Apache-2.0.

Palak/xlm-roberta-large_squad — модель Palak, дообученная на XLM-RoBERTa Large для ответов на вопросы по переданному текстовому контексту. Она использует архитектуру XLM-RoBERTa с плотными слоями и содержит около 658,7 млн параметров; репозиторий предоставляет веса в формате PyTorch. Модель подходит для извлечения ответа из контекста, например при поиске сведений в документах или создании системы вопросно-ответного поиска. В карточке приведены результаты оценки на 10 918 примерах SQuAD: exact match 85,96 и F1 92,25. Контекст ограничен примерно 514 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Модель дообучена на SQuAD; подтверждений её качества для других языков и предметных областей в карточке нет. Лицензия в предоставленных данных не указана.

Карточка модели arinze/address-match-abp-v4 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

Модель masakhane/afroxlmr-large-ner-masakhaner-1.0_2.0 — это версия AfroXLM-R Large, дообученная Masakhane для распознавания именованных сущностей в 21 африканском языке. Она использует архитектуру XLM-RoBERTa для классификации токенов, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель выделяет людей, организации, местоположения, даты и время, а также токены вне сущностей. Модель предназначена для разметки текстов, в частности новостных статей, на языках Африки. На тестовых наборах MasakhaNER средний F-score составил 85,1 для версии 1.0 и 87,7 для версии 2.0. Лицензия — AFL-3.0. Качество может снижаться на текстах из других областей и за пределами тематики и периода новостных данных, использованных для обучения.

ArabicT5-news-classification-generation — модель на архитектуре T5, разработанная Hezam и дообученная для классификации и генерации текстов арабских новостей. Она принимает текст новости и формирует текстовый ответ, где число обозначает одну из восьми категорий: политика, экономика, здоровье, спорт, культура, технологии, искусство или происшествия. Модель содержит 89,8 млн параметров, использует библиотеку Transformers и формат safetensors; родной контекст — 512 токенов. В карточке приведены результаты оценки: точность классификации 96,17% и генерации 87,16%. Модель подходит для автоматической категоризации арабских новостных материалов и генерации связанных с категорией ответов. Лицензия в предоставленных данных не указана.

ulisesbravo/autotrain-BERTimbau-DGS-0002 — дообученная модель BERT для классификации текстов, созданная с помощью AutoTrain. Она предназначена для отнесения текста к классам в задаче, заданной при обучении; конкретная предметная область и названия классов в карточке не раскрыты. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики на валидационной выборке: accuracy около 0,748 и macro F1 около 0,746. Эти результаты характеризуют только указанную выборку и не гарантируют аналогичного качества на других данных. Модель дообучена на основе ulisesbravo/autotrain-BERTimbau-DGS-0001; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели hramphul/bart-large-cnn на Hugging Face совпадает с карточкой facebook/bart-large-cnn, поэтому описание составлено по ней. facebook/bart-large-cnn — англоязычная модель BART, разработанная командой Facebook AI и дообученная на наборе пар «статья — краткое содержание» CNN/DailyMail. Она предназначена прежде всего для автоматического составления кратких пересказов текстовых материалов. Модель построена на архитектуре Transformer encoder-decoder: двунаправленный энкодер кодирует входной текст, а авторегрессионный декодер генерирует пересказ. Число параметров — 252,8 млн, максимальная длина контекста — 1024 токена. Модель также может применяться для других задач генерации и понимания текста, однако этот чекпойнт обучен именно для суммаризации. Модель рассчитана на англоязычные материалы; качество для других языков не подтверждено. Длинные документы могут превышать лимит контекста, а сжатие способно опустить детали или исказить смысл. Лицензия — MIT.

CAMeL-Lab разработала CAMeLBERT-CA NER — модель распознавания именованных сущностей в классическом арабском языке. Это дообученная для классификации токенов версия CAMeLBERT Classical Arabic, обученная на наборе данных ANERcorp. Модель предназначена для извлечения и разметки именованных сущностей в арабском тексте. Её можно использовать в компоненте NER библиотеки CAMeL Tools или через pipeline Transformers. Архитектура — BERT с головой классификации токенов; модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель рассчитана на классический арабский и может применяться для обнаружения сущностей в предложениях и документах на этом языке. Она обучена на ANERcorp, поэтому качество на других вариантах арабского, доменах или схемах разметки может отличаться. Лицензия — Apache-2.0.

boltuix/bert-large — англоязычная модель BoltUIX на архитектуре BERT, представленная как вариант для задач понимания текста. Это дообученная версия google/bert-base-uncased с 117,8 млн параметров; модель использует двунаправленный трансформер, WordPiece и контекст до 512 токенов. В метаданных указаны класс BertForMaskedLM, формат safetensors и задача fill-mask; карточка также описывает предобучение с целями masked language modeling и next sentence prediction на BookCorpus и англоязычной Wikipedia. Модель можно применять для предсказания пропущенных слов, а после дополнительной настройки — для классификации последовательностей и токенов, анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о логических связях между предложениями. Карточка сообщает о сильных результатах на GLUE, но не приводит численных метрик, поэтому сравнить качество по конкретным показателям нельзя. Модель рассчитана на английский язык и не предназначена для генерации текста; размер чекпойнта около 365 МБ требует заметных вычислительных ресурсов и ограничивает использование на маломощных устройствах. Обучающие данные могут содержать социальные предубеждения. Лицензия — MIT.

Модель carted-nlp/categorization-finetuned-20220721-164940-pruned-20220803-123018 — классификатор текстовых последовательностей на базе RoBERTa, разработанный carted-nlp. Модель дообучена для категоризации текста; в метаданных указан размер 120,9 млн параметров и контекст до 514 токенов. На оценочной выборке модель показала accuracy 0,8558 и F1 0,8539 при loss 0,5476. README не уточняет набор категорий, назначение классификации или состав данных, поэтому применять её для конкретной предметной области без проверки соответствия меток и данных не следует. Лицензия в предоставленных данных не указана.

mondk/claude-toolcall-slm-2B-safetensors — языковая модель для генерации текста, разработанная пользователем mondk на базе HuggingFaceTB/SmolLM2-1.7B. Модель предназначена для сценариев text-generation; по названию и указанному набору данных она, вероятно, ориентирована на работу с вызовами инструментов и трассировками Claude Code, однако подробные сведения о поддерживаемом формате tool calling в README отсутствуют. Модель поставляется в формате Safetensors и имеет размер около 2B параметров, поскольку основана на SmolLM2-1.7B и публикуется как claude-toolcall-slm-2B. Заявлен английский язык. Для обучения или дообучения указаны датасеты с трассировками Claude Code, SmolLM Corpus, The Stack, SmolTalk и UltraFeedback. Архитектура, точный размер контекста, перечень модальностей и результаты оценки не приведены; по описанию это текстовая, а не мультимодальная модель. Сильными сторонами могут быть компактность и пригодность для локального запуска, а также специализация на текстовой генерации и инструментальных сценариях. Ограничения связаны с небольшим размером, отсутствием опубликованных бенчмарков и недостатком информации о качестве, фактической поддержке вызовов инструментов и контекстном окне. Модель распространяется по лицензии Apache-2.0.

Это исследовательский чекпойнт языковой модели Qwen3-4B, созданный командой agurung с помощью обучения с подкреплением OpenRLHF по алгоритму GRPO. Он основан на Qwen/Qwen3-4B-Instruct-2507 и предназначен для генерации кода, в частности программ для задач, проверяемых автоматическими тестами. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов. Чекпойнт сохранён на шаге 80 обучения и показал лучший в данном запуске результат pass@8: 21,3434 на отложенном наборе сложных задач по программированию; pass@1 составил 16,7068. Обучение оптимизировало бинарную корректность кода, а при оценке генерировалось до восьми вариантов решения на задачу. Это промежуточный результат конкретного эксперимента, а метрики не гарантируют качество на других задачах и условиях. Использовать веса можно через Transformers; файлы представлены в формате safetensors. Лицензия в доступных данных не указана.

michaelfeil/ct2fast-opus-mt-en-es — это версия модели машинного перевода OPUS-MT для перевода с английского на испанский, преобразованная для ускоренного инференса с CTranslate2. Модель использует архитектуру Transformer; исходная модель относится к проекту Tatoeba-Challenge. Для предобработки применяются нормализация текста и SentencePiece с моделями токенизации spm32k для обоих языков. Модель предназначена для перевода английских текстов на испанский в приложениях и пакетной обработке. В README заявлено ускорение инференса в 2–8 раз при использовании INT8 в C++, а также приведены результаты на тестовых наборах новостных переводов. Репозиторий распространяется по лицензии Apache-2.0. Данные не сообщают размер модели или длину контекста.

Это испаноязычная модель ответов на вопросы, созданная Manuel Romero (mrm8488) на основе BETO — испанской версии BERT. Модель дообучена на SQuAD-es-v2.0 с дистилляцией знаний от bert-base-multilingual-cased; карточка указывает размер 137,1 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения ответа на вопрос из предоставленного контекста и может использоваться для поиска фактов в испанских текстах и систем вопросно-ответного поиска. Автор отмечает, что дистилляция делает её меньше, быстрее и экономичнее по сравнению с исходной дообученной моделью BETO. Результаты оценки в карточке не приведены, поэтому качество на конкретных данных следует проверять отдельно. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

Donut-IRS-Tax-Docs-Classifier — модель hsarfraz на базе архитектуры Donut с энкодером Swin, дообученная для классификации изображений налоговых документов IRS США. Она распознаёт до 28 типов документов, используемых при подготовке налоговых деклараций; в карточке перечислены формы 1040, W-2 и различные приложения к декларациям. Для инференса README рекомендует изображения размером 1920 × 2560 пикселей. Модель содержит 58,7 млн параметров и распространяется под лицензией MIT. Модель предназначена для автоматической сортировки сканов и изображений налоговых форм перед дальнейшей обработкой. Обучение проводилось на наборе более чем из 3000 документов. Классификатор специализирован на формах IRS США; README не описывает поддержку других типов документов или языков, а также не приводит метрики качества.

Eurus-RM-7B — модель вознаграждения на 7,1 млрд параметров, разработанная авторами семейства Eurus. Она основана на архитектуре Mistral и обучена на смеси UltraInteract, UltraFeedback и UltraSafety со специально разработанной целью reward modeling, ориентированной на рассуждения. Модель предназначена для оценки ответов языковых моделей и их ранжирования, в том числе для выбора более сильного ответа в задачах со сложными рассуждениями. Eurus-RM-7B можно применять для reranking нескольких ответов LLM, чтобы улучшать качество рассуждений, а также для оценки качества и безопасности ответов. Контекст модели — до 32 768 токенов; веса доступны в формате safetensors. По карточке авторов, модель показывает сильные результаты среди reward-моделей размера 7B и в отдельных задачах сопоставима с более крупными системами. Лицензия — Apache-2.0.

Aira-security FT-Llama-Prompt-Guard-2 — дообученный с помощью LoRA классификатор на базе meta-llama/Llama-Prompt-Guard-2-22M для выявления prompt injection и jailbreak-попыток. Модель классифицирует текстовые запросы как безопасные или вредоносные и предназначена для проверки пользовательских промптов перед передачей их языковой модели. Модель имеет архитектуру DeBERTa-v2 и содержит 77,5 млн параметров; максимальная длина контекста — 512 токенов. README указывает, что обучение проводилось только на английском языке. Возможны ложноположительные и ложноотрицательные срабатывания, особенно на примерах, отличающихся от обучающих данных. Лицензия — Llama 2.

Granite Guardian 3.0 8B — языковая модель IBM Research, дообученная на базе Granite 3.0 8B Instruct для выявления рисков в запросах пользователей и ответах моделей. Она помогает обнаруживать вредоносный контент, социальную предвзятость, попытки обхода защит, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение, а также оценивать релевантность контекста, обоснованность ответа и соответствие ответа запросу в RAG-системах. Модель имеет плотную архитектуру GraniteForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. На вход подаются текстовые сообщения и, для проверок RAG, контекст с ответом; модель генерирует ответ «да» или «нет» для заданного измерения риска. Обучение проводилось на данных с человеческой разметкой и синтетических данных. Модель рассчитана на английский язык и сценарии умеренных требований к стоимости, задержке и пропускной способности, например мониторинг и выборочную проверку результатов моделей. Лицензия — Apache 2.0.

HridaAI/Hrida-T2SQL-3B-V0.2 — компактная языковая модель HridaAI для преобразования запросов на естественном языке в SQL. Она дообучена на microsoft/Phi-3.5-mini-instruct и использует архитектуру Phi-3; число параметров составляет 3,7 млрд. Модель предназначена для работы с вопросом пользователя и схемой базы данных, включая имена таблиц и столбцов, типы данных и, при необходимости, диалект SQL. Модель ориентирована на помощь аналитикам данных и специалистам, которым нужно получать SQL-запросы из текстовых описаний. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные указывают нативный контекст 4096 токенов; фактическая поддержка длинного контекста по доступным данным не подтверждена. Карточка приводит шаблоны для Transformers и MLX, а метаданные указывают библиотеку Transformers. Модель распространяется по лицензии Apache-2.0.

HunFlair2 NER — модель семейства Flair для распознавания именованных сущностей в тексте. Репозиторий предоставляет веса PyTorch и предназначен для применения через библиотеку Flair версии 0.14.0 или новее. Модель подходит для извлечения и разметки сущностей в текстах, в том числе в биомедицинских документах, согласно назначению HunFlair. Метаданные указывают задачу token-classification; карточка не содержит дополнительных сведений о поддерживаемых языках, размере модели, контексте или условиях лицензирования.

IdolSankaku SwinV2 Tagger v1 — модель DeepGHS для автоматической разметки изображений тегами. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на наборе реальных фотографий с разметкой, проверенной людьми. Архитектура SwinV2, модель совместима с timm и доступна в форматах ONNX и safetensors. ONNX-версия поддерживает пакетную обработку изображений и требует onnxruntime версии 1.17.0 или новее. Валидация версии 1.0 дала F1 0,6161 при пороге 0,3094. Модель подходит для автоматической категоризации и тегирования фотографий; точность зависит от изображения и предсказанных тегов. Лицензия — Apache-2.0.

InteractiveOmni-8B — плотная омнимодальная модель SenseNova для интерактивного общения с изображениями, аудио, текстом и видео. Она принимает мультимодальные входные данные и генерирует связные текстовые и речевые потоки; поддерживает многошаговое взаимодействие и долговременную память. Модель предназначена для мультимодального понимания, речевого диалога и генерации речи, а также для сценариев, где требуется сочетать аудио-визуальный ввод с текстовыми ответами. В README заявлены результаты уровня SOTA на открытых тестах понимания изображений, аудио и видео, а также речевого общения; приведены сценарии запуска через Transformers с требованием версии не ниже 4.51.0 и FlashAttention 2. В репозитории доступны файлы ONNX и safetensors. Лицензия — MIT. Размер 8B указан в названии модели; поддерживаемые языки по карточке — китайский и английский.

Intern-Decision-4B — мультимодальная модель для структурированного принятия решений, разработанная путём дообучения Qwen3.5-4B. Она принимает общее описание состояния, схему с именованными вопросами и вариантами ответов, а также при необходимости изображения, после чего за один проход вычисляет распределение вероятностей по допустимым вариантам для каждого вопроса. Модель рассчитана на выбор из категорий, оценивание по заданным вариантам и бинарные решения. Она использует плотную архитектуру семейства Qwen3.5 и библиотеку Transformers; для изображений применяет процессор базовой модели. Вход ограничен 8192 токенами и восемью изображениями, а схема поддерживает до 16 вопросов и 62 вариантов на вопрос. Вероятности откалиброваны отдельно для этого чекпойнта. Для работы требуется соблюдать заданный шаблон чата и формат JSON с маркерами полей, а варианты необходимо сопоставить с однотокенными символами. Модель возвращает вероятности и уверенность по каждому полю; это специализированный интерфейс принятия решений, а не универсальный генератор ответов. Лицензия — Apache-2.0.

hotchpotch が公開した、日本語検索向けの小型 reranker です。ModernBERT 系の ModernBertForSequenceClassification アーキテクチャを採用し、Ruri v3 の 70M パラメータ版をベースにファインチューニングされています。モデル規模は約70Mパラメータで、コンテキスト長は最大8192 токеновです。 モデル оценивает релевантность пар «запрос — документ» и предназначен для повторной сортировки найденных фрагментов в поиске и RAG. В карточке для small-v2 указаны 13 слоёв, размер скрытого представления 384 и средняя оценка 0,8856; автор также приводит тесты скорости на GPU для примерно 150 тысяч пар. Серия позиционируется как достаточно компактная для применения на CPU и Apple Silicon, а также в сценариях с низкой задержкой. Основной язык модели — японский. Она распространяется под лицензией MIT. Для запуска README рекомендует Transformers версии 4.48 или новее и sentence-transformers; результаты и скорость могут зависеть от оборудования и настроек инференса.

miulab/llama2-7b-oss-instruct — англоязычная плотная авторегрессионная модель семейства Llama 2, дообученная на наборе Magicoder-OSS-Instruct-75K. Она служит основой кодовой модели, использованной в исследовании DogeRM, и предназначена для генерации текста в формате инструкций и диалога, в том числе для задач, связанных с кодом. Модель содержит 6,6 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Модель опубликована исследовательской группой, указанной в статье DogeRM; README направляет к статье за подробностями обучения и оценки. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов бенчмарков или подробного описания ограничений; качество на конкретных задачах программирования следует проверять отдельно.

Llama-3.2-Mavrick.Spark-1B — компактная диалоговая модель от 11-47 / WithinUsAI, дообученная методом SFT на базе meta-llama/Llama-3.2-1B-Instruct. Модель содержит около 1,2 млрд параметров, использует архитектуру Llama 3.2 и распространяется в формате Safetensors с весами FP16; заявленная длина контекста — 128 тыс. токенов. Модель предназначена для локального запуска на телефонах, ноутбуках и периферийных устройствах, а также для диалогов, кратких ответов и задач, где полезны стиль Spark и примеры многошаговых рассуждений Maverick. Для обучения использованы 10 тыс. дистиллированных диалогов и инструкций на английском языке, включая примеры использования инструментов. Это community-дистилляция, не связанная с Meta; лицензия — Llama 3.2 Community License.

Экспериментальная модель генерации текста и кода от команды kalo-team: предварительный результат дистилляции, в которой студент 4x8b обучался приближать распределение ответов учителя Llama 3 70B с помощью KL-дивергенции. Модель основана на архитектуре Mixtral с разреженной архитектурой MoE; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Доступны веса в формате safetensors, лицензия — Llama 3. Модель предназначена для генерации текста в диалоге и экспериментов с генерацией кода, а также для дальнейшей настройки и оценки поведения дистилляции. В README приведены результаты на MMLU, ARC, HellaSwag, GSM8K, TruthfulQA и HumanEval; автор отмечает, что полное дообучение привело к умеренному забыванию знаний вне областей дистилляции из-за ограниченного объёма данных. Это предварительный тестовый прогон, а не запланированная полномасштабная дистилляция.

Это экспериментальное дообучение KKHYA/llavaqwen3-1.7b-finetune, разработанное KKHYA. Модель содержит 1,7 млрд параметров и использует архитектуру MoELLaVAQwen3 для генерации текста и диалогов. Репозиторий указывает контекст до 40 960 токенов, форматы PyTorch и SafeTensors, а также интерфейс вызова инструментов. Модель предназначена для генерации текста и общения в сценариях, где требуется диалог с возможностью вызова инструментов. Данные обучения неизвестны, поэтому качество и специализацию модели оценить нельзя. Лицензия — Apache 2.0.

KKHYA/llavaqwen3-1.7b-finetune-moe-4e-2k-sd4p_20260809_185043 — дообученная модель семейства MoELLaVAQwen3 на базе KKHYA/llavaqwen3-1.7b-finetune. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Модель работает через Transformers и опубликована в форматах PyTorch и Safetensors. Карточка не описывает обучающий датасет, специализированные сценарии или результаты оценки. Контекст модели составляет 40 960 токенов. Лицензия — Apache-2.0.

96abhishekarora/lt-kn-en_familyname-linkage — модель LinkTransformer на базе sentence-transformers, разработанная для связывания записей о людях по фамилиям на каннада и английском языках. Она дообучена на bert-base-multilingual-cased с контрастивной функцией потерь SupCon на наборе из 12 105 132 записей; половина имён в данных транслитерирована. Архитектура BERT формирует плотные векторы размерности 768 с усреднением токенных представлений, а максимальная длина последовательности составляет 512 токенов. Модель подходит для сопоставления сущностей, кластеризации и удаления дубликатов, объединения связанных записей и семантического поиска. Её можно применять и к другим задачам сходства предложений через Sentence Transformers. Модель выдаёт эмбеддинги, поэтому для принятия решения о совпадении записей требуется отдельная логика сравнения или порог. Лицензия в предоставленных данных не указана.