I.14Автоматизация процессов и AI-агенты

HalluciGuard Detector — классификатор текста на базе DistilBERT, дообученный для выявления галлюцинаций. Модель относит входной текст к одному из двух классов: NO_HALLUCINATION или HALLUCINATION; обучение проводилось на датасете HaluEval. Модель предназначена для автоматической проверки текстовых ответов и выделения потенциально вымышленных утверждений. Она принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов; веса опубликованы в формате safetensors. Модель доступна на условиях лицензии Apache-2.0. Классификатор может помогать в проверке ответов, однако его метка сама по себе не подтверждает фактическую истинность текста. Карточка не сообщает об оценках качества или поддержке языков, поэтому результаты для конкретных языков и сценариев требуют отдельной проверки.

Sidziesama/Legal_NER_Support_Model — дообученная модель BERT для распознавания именованных сущностей в юридических текстах. Она основана на nlpaueb/legal-bert-base-uncased и обучена на наборе opennyaiorg/InLegalNER. Модель размечает входной текст по токенам; архитектура — BertForTokenClassification, число параметров — 136,7 млн, длина контекста — до 512 токенов. Модель подходит для извлечения юридически значимых сущностей из документов и текстов на английском языке. В README приведены метрики обучения и валидации, однако подробности о категориях сущностей, методике оценки и качестве на реальных данных отсутствуют. Распространяется по лицензии CC BY-SA 4.0.

Модель Null-Guard — дистиллированный и дообученный вариант LiquidAI/LFM2.5-230M, созданный для переноса части поведения Gemini 3.8 Flash в компактную модель для локального запуска. Она содержит около 221,2 млн параметров и использует плотную гибридную архитектуру LFM2: блоки коротких свёрток и блоки группового внимания с запросами (GQA). Заявленная длина контекста — 128 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая следование инструкциям, рассуждения и использование инструментов. Её небольшой размер ориентирован на запуск на CPU, мобильных NPU и маломощных устройствах. В карточке не приведены конкретные данные обучения и результаты оценки, поэтому качество переноса возможностей учителя подтвердить нельзя. Автор указывает ограничения базовой архитектуры в сложной математике, продвинутой генерации кода и длинных творческих текстах; дистилляция также не гарантирует переноса возможностей исходной модели на новые типы запросов. В метаданных указана лицензия «other», а README сообщает, что базовая модель распространяется по специальной лицензии lfm1.0 и что условия использования данных Gemini могут ограничивать распространение и коммерческое применение. Перед использованием производной модели следует проверить применимые условия обеих сторон.

onnx-community/LFM2.5-VL-450M-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-450M, разработанной Liquid AI и основанной на языковом backbone LFM2.5-350M. Модель предназначена для обработки изображений и текста, включая описание изображений, общее визуально-языковое понимание, обнаружение объектов и предсказание ограничивающих рамок. Также поддерживает function calling для текстового ввода. Архитектура включает языковую модель LFM2.5-350M и vision encoder SigLIP2 NaFlex размером 86M параметров. Контекст составляет 32 768 токенов, словарь содержит 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Модель обрабатывает изображения с исходным разрешением до 512×512 пикселей без увеличения, сохраняет нестандартные соотношения сторон и может разбивать крупные изображения на тайлы 512×512 с дополнительным thumbnail-представлением. К сильным сторонам относятся улучшенное следование инструкциям, мультиязычное визуальное понимание, поддержка обнаружения объектов и возможность регулировать число визуальных токенов и тайлов для компромисса между качеством и скоростью. Модель ориентирована на запуск на периферийных устройствах и может использоваться локально через transformers.js и WebGPU. Она хуже подходит для задач, требующих глубоких фоновых знаний, а также для точного OCR и мелкодетального распознавания текста. В README указана лицензия lfm1.0; репозиторий также помечен как использующий лицензию other.

Llama-3.3-Nemotron-70B-Reward — языковая модель NVIDIA на архитектуре Llama 3.3, дообученная на основе Meta-Llama-3.3-70B-Instruct. Она предназначена для оценки качества ответов, сгенерированных другими языковыми моделями: на вход подаётся многоходовый диалог на английском языке длиной до 4096 токенов, а на выходе получается одно числовое значение вознаграждения. Более высокий балл означает более предпочтительный ответ в рамках одного и того же запроса; сравнивать баллы для разных запросов напрямую нельзя. Модель содержит 69,5 млрд параметров и принимает текст. Хотя заявленное контекстное окно составляет 131 072 токена, обучение проводилось на диалогах длиной до 4096 токенов. NVIDIA сообщает о результатах 73,7% на JudgeBench и 79,9% на RM-Bench. Модель подходит для ранжирования ответов, отбора кандидатов и построения оценочных конвейеров; она рассчитана на английский язык и требует значительных вычислительных ресурсов — для запуска через Transformers README рекомендует не менее двух GPU с 80 ГБ памяти. README указывает, что модель готова к коммерческому и некоммерческому использованию, однако метаданные обозначают лицензию как «other»; перед применением следует проверить условия NVIDIA для репозитория. Модель выдаёт оценку качества, а не текстовый ответ для конечного пользователя, и её баллы не следует трактовать как абсолютную шкалу качества между разными запросами.

LLIMONIIE — дообученная leopiano98 языковая модель для извлечения информации на итальянском языке. Она выполняет распознавание именованных сущностей без заранее заданной онтологии, извлечение отношений и совместное извлечение сущностей и отношений из текста в разных предметных областях. Модель основана на unsloth/llama-3-8b-instruct-bnb-4bit и использует архитектуру Llama для генерации текста. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и формат весов safetensors. Модель рассчитана на текстовый ввод и выдаёт результаты извлечения в текстовом виде. Лицензия — Apache-2.0. Карточка не приводит результатов оценок качества, поэтому надёжность извлечения для конкретного домена следует проверять на собственных данных.

mBART-50 — многоязычная модель Sequence-to-Sequence, разработанная исследователями Facebook AI. Она предварительно обучена восстанавливать текст после перестановки предложений и замены фрагментов маскирующими токенами; для машинного перевода модель расширили на 50 языков и обучали на многих направлениях перевода одновременно. Веса доступны в форматах PyTorch и TensorFlow; размер модели — около 457,4 млн параметров, контекст — до 1024 токенов. Модель предназначена прежде всего для дообучения под многоязычный машинный перевод, а также может адаптироваться к другим задачам преобразования текста. При работе используются специальные коды языка источника и целевого языка. Поддерживаются 50 языков, в том числе русский, английский, китайский, арабский и многие европейские и азиатские языки. Это базовая предварительно обученная модель, поэтому для практического перевода её обычно нужно дообучить на соответствующей задаче и языковых парах. Лицензия — MIT.

mskayacioglu/mbart-xlsum-2 — многоязычная модель для абстрактивного суммирования новостных статей, разработанная в рамках проекта samurAI. Она построена на архитектуре mBART-50 и дообучена из facebook/mbart-large-50-many-to-many-mmt на 15 языковых поднаборах датасета XL-Sum. Модель содержит 457,4 млн параметров, принимает текст и генерирует краткое изложение; максимальная длина контекста составляет 1024 токена. Модель предназначена для суммирования новостей на арабском, китайском, английском, французском, хинди, индонезийском, японском, корейском, персидском, португальском, русском, испанском, турецком, украинском и вьетнамском языках, а также для исследовательских экспериментов и новостных конвейеров с проверкой человеком. При обучении использовалась выборка XL-Sum с BBC-статьями; оценка по общему протоколу проведена для 11 языков. Вариант обучения применяет сглаженное перераспределение данных между языками и короткие целевые сводки. Модель может пропускать важные сведения в длинных статьях, выдумывать факты, имена, даты и причинно-следственные связи; результаты на источниках и тематиках вне новостей BBC могут быть хуже. Авторы рекомендуют сверять сводки с исходной статьёй и не использовать их без проверки для принятия важных решений. Лицензия — CC-BY-NC-SA-4.0, ограничивающая коммерческое использование.

NLPForUA әзірлеген бұл украин тіліндегі экстрактивті сұрақ-жауап моделі Microsoft-тың mdeberta-v3-base моделін FIdo-AI/ua-squad деректер жиынында қосымша оқыту арқылы жасалған. DeBERTa V3 негізіндегі 306 млн параметрлі модель Transformers кітапханасын пайдаланады және 512 токенге дейінгі контексті қолдайды. Модель берілген мәтін үзіндісінен сұраққа жауап болатын бөлікті таңдайды. Оны ашық домендегі сұрақ-жауап жүйесінде Retriever іріктеген үзінділерден жауапты табатын Reader ретінде немесе украин тіліндегі мәтіндер бойынша сұрақтарға жауап беру үшін қолдануға болады. Ол жауапты өз білімінен құрастырмайды, сондықтан тиісті жауап контекстте болуы керек. Оқу деректері украин тіліндегі SQuAD жинағынан алынған; README-де тест бөлінісіндегі Exact Match 58,26 және F1 71,99 нәтижелері берілген. Бұл көрсеткіштер тек сол деректер бөлінісі мен бағалау рәсіміне қатысты, оларды үздік нәтижеге жалпы кепіл ретінде қарастырмаған жөн. Модель MIT лицензиясымен таратылады және негізінен оқу мақсатында жарияланған.

MemOCR-7B — мультимодальная модель Meituan для визуальных вопросов и ответов с механизмом визуальной памяти. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и контекстом 128 000 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для работы в составе фреймворка MemOCR: текстовый компонент формирует и уточняет содержимое памяти с учётом заданного бюджета, а зрительный компонент анализирует её визуальное представление. Такой подход рассчитан на ответы на сложные многошаговые вопросы и поиск сведений в подготовленной памяти; в карточке приведены результаты на HotpotQA, 2WikiMultihopQA, NaturalQuestions и TriviaQA. Модель принимает изображения и текстовые вопросы и выдаёт текстовые ответы. Карточка указывает английский язык. Для использования необходим фреймворк MemOCR; результаты зависят от подготовки визуальной памяти и ограничения её бюджета. Количественные результаты и подробные инструкции по запуску в карточке не приведены.

Карточка модели mergekit-community/mergekit-slerp-zevysvp на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. 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.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная Meta в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-bigG-14-worldwide и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт возможные категории или подписи, а модель оценивает их соответствие изображению. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве представлений. Карточка указывает на мультиязычную направленность; конкретные поддерживаемые языки и размер модели в предоставленных данных не уточнены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MistralSQL-7B — дообученная модель bugdaryan на базе mistralai/Mistral-7B-Instruct-v0.1, предназначенная для преобразования вопросов на естественном языке в SQL с учётом схемы таблиц. Модель создана с помощью LoRA и обучена на наборе bugdaryan/sql-create-context-instruction, содержащем примеры запросов, инструкций CREATE TABLE и соответствующих SQL-запросов из WikiSQL и Spider. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые инструкции в формате Mistral [INST] и генерирует текст, включая SQL. Карточка указывает поддержку английского языка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель подходит для прототипов интерфейсов «вопрос к базе данных» и генерации SQL по описанию структуры таблиц. Качество зависит от соответствия схемы и формулировки запроса обучающим примерам; карточка не приводит оценок качества или результатов тестирования.

Это пакет слоёв GGUF модели Muse-Glimmer-30B в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Пакет получен из unsloth/Muse-Glimmer-30B-GGUF и сохраняет исходное распределение GGUF, разделённое на артефакты по слоям. Модель поддерживает диалог и обработку изображений с текстом; запуск и распределение вычислений между машинами выполняются через Mesh LLM. Пакет предназначен для приватного локального общения с моделью, работы с изображениями и сценариев, где веса не помещаются на одном компьютере: слои можно распределить между несколькими узлами. Mesh LLM предоставляет локальный API, совместимый с OpenAI Chat Completions. Суффикс Q4_K_XL обозначает вариант квантования GGUF. Лицензия репозитория — Apache-2.0.

Nyaya-7B — инструктивно дообученная на базе Mistral-7B-Instruct-v0.3 языковая модель для извлечения структурированных сведений из судебных решений Индии в формате JSON. Она предназначена для обработки текстов решений Верховного суда и судов штатов Индии в юридических исследовательских и аналитических системах, автоматизации параюридических процессов, оцифровки архивов и построения юридического поиска и графов знаний. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; принимает текст и генерирует текст, включая структурированные JSON-данные. Карточка сообщает об обучении на материалах ILSum и InLegalNLP, преимущественно на англоязычных решениях, и указывает английский и хинди как языки модели. Модель можно запускать локально через Transformers, а адаптер был объединён с базовыми весами. README приводит оценку на тестовом наборе из 50 дел и сравнение с Gemini 2.5 Flash, но результаты не гарантируют точность на других документах. Модель не предназначена для юридических консультаций или принятия решений: она может ошибаться в цитатах и хуже работать с решениями до 1950 года, региональными и смешанными языками, новыми законами и текстом, полученным из сканов без предварительного OCR. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-st — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с английского языка на сесото и предназначена для автоматического перевода фраз и документов в сервисах и рабочих процессах обработки текста. Модель построена на архитектуре Marian Transformer с выравниванием, использует нормализацию и токенизацию SentencePiece. В метаданных указаны 54,5 млн параметров, контекст до 512 токенов и лицензия Apache-2.0. В README приведён результат BLEU 49,8 на тестовом наборе JW300.en.st; этот показатель относится к указанному набору и не гарантирует аналогичное качество на других текстах.

Helsinki-NLP разработала opus-mt-ROMANCE-en — модель машинного перевода на архитектуре Transformer, реализованная как MarianMTModel. Она переводит на английский с французского, испанского, португальского, итальянского, румынского и ряда других романских языков и их региональных вариантов. Модель содержит 58,4 млн параметров, использует нормализацию и SentencePiece, а её контекст составляет 512 токенов. Модель предназначена для автоматического перевода текстов с перечисленных исходных языков на английский. В карточке приведён результат BLEU 62,2 на тестовом наборе Tatoeba.fr.en; этот показатель относится к указанному тесту и не гарантирует такое же качество на других данных. Доступна под лицензией Apache-2.0.

OPUS-MT — модель машинного перевода проекта OPUS-MT, первоначально обученная с помощью Marian NMT и опубликованная в формате Transformers. Архитектура — Transformer Big на базе Marian; модель содержит около 159,8 млн параметров и принимает последовательности длиной до 1024 токенов. Она переводит текст с английского на чешский и словацкий, используя токенизацию SentencePiece. Модель предназначена для автоматического перевода отдельных предложений и текстов, а также для встраивания перевода в приложения на базе Transformers. В README приведены результаты тестов для чешского и словацкого направлений. Модель выпущена в рамках OPUS-MT; веса доступны по лицензии CC BY 4.0 с требованием указывать авторство.

Helsinki-NLP/opus-mt-tc-big-fi-en — модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и опубликованная Helsinki-NLP. Она переводит текст с финского языка на английский и предназначена для интеграции в сервисы перевода и прикладные приложения. Архитектура — крупная версия Transformer в реализации Marian; модель содержит около 159,9 млн параметров, использует токенизацию SentencePiece с словарями по 32 тыс. токенов и имеет контекст до 1024 токенов. Модель обучена на данных OPUS, включая opusTCv20210807+bt. Для пары финский—английский приведены результаты на тестах Tatoeba, FLORES-101 и newsdev2015. Доступны веса в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — CC BY 4.0.

PrivaScope Topic Classifier — модель Wravn для многометочной классификации предложений из политик конфиденциальности. Она определяет, какие из 15 тематических категорий затрагивает отдельное предложение: например, обработку данных, цели, передачу третьим сторонам, права пользователей, безопасность, хранение и удаление данных. Модель предназначена для детального анализа англоязычных политик конфиденциальности и является тематическим классификатором в конвейере PrivaScope. Модель основана на PrivBERT (mukund/privbert), RoBERTa, дополнительно предобученной на текстах политик конфиденциальности. Для обучения классификатора использовали 3 078 предложений, включая вручную размеченные примеры и синтетические данные; в README приведены значения F1 Macro 0,87 и F1 Micro 0,88. Модель принимает текст и выдаёт несколько тематических меток. Она не определяет область действия политики, конкретное содержание и атрибуты — эти задачи выполняются отдельными моделями и правилами. Лицензия — MIT.

Pulsar-Knowledge-RAG — модель семейства BERT, представленная аккаунтом procedure2012 и предназначенная для поиска знаний с опорой на источники и ответов в сценариях RAG. В метаданных Hugging Face указаны архитектура BertModel, библиотека Transformers, формат PyTorch и задача feature-extraction. README приводит результаты внутренних сравнений по математическому, логическому и commonsense-рассуждению, но не раскрывает размер модели, длину контекста или подробности обучения. Модель может использоваться как компонент конвейера извлечения признаков для поиска релевантных знаний и формирования ответов, опирающихся на найденные материалы. Репозиторий распространяется по лицензии CC BY 4.0. Оценки из README не сопровождаются описанием методики и не позволяют независимо сравнить качество.

qa-harness-rl-a — дообученная с подкреплением модель на базе Qwen3-4B, разработанная xuechengliu. Она предназначена для пересмотра исполняемого harness-кода фиксированного решателя вопросов и ответов по обратной связи от выполнения. Модель сохраняет архитектуру Qwen3-4B, токенизатор и шаблон чата; содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель можно применять в экспериментальных системах, где требуется итеративно корректировать исполняемую обвязку QA-решателя по результатам её запуска. Это текстовая диалоговая модель на базе Transformers; указана лицензия Apache-2.0. Карточка не уточняет поддерживаемые естественные языки или дополнительные ограничения качества и безопасности.

Карточка модели alibaba-pai/Qwen2-1.5B-Instruct-Refine на Hugging Face совпадает с карточкой alibaba-pai/Qwen2-7B-Instruct-Refine, поэтому описание составлено по ней. 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.

Kukedlc/Qwen-2.5-7b-Spanish-o1-CoT — плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, опубликованная пользователем Kukedlc на Hugging Face. Модель предназначена для генерации текста в диалоговом формате; название указывает на ориентацию на испанский язык и стиль рассуждений, однако карточка не описывает обучение или подтверждённые языковые возможности. Модель использует Transformers и формат safetensors, поддерживает контекст до 32 768 токенов и имеет интерфейсы чата и вызова инструментов. В карточке приведены результаты Open LLM Leaderboard: средний балл 28,13, IFEval — 42,10, BBH — 36,86. Лицензия Apache 2.0. Подробности о разработчике, обучающих данных и ограничениях в README отсутствуют.

NotoriousH2/Qwen3-0.6B-JSON-SFT — компактная плотная языковая модель на архитектуре Qwen3, дообученная автором методом полного SFT на базе Qwen/Qwen3-0.6B. Она преобразует корейские протоколы совещаний в JSON с полями meeting_metadata, action_items, decisions и blockers. Модель рассчитана на извлечение сведений о встрече и структурирование поручений, решений и препятствий для последующей автоматической обработки. Для дообучения использовано 1 115 примеров из NotoriousH2/meeting-to-json-ko; максимальная длина последовательности при обучении составляла 3 072 токена. В тесте из 273 примеров автор сообщает parse rate 98,9%, соответствие схеме 97,8% и долю семантически корректных ответов 96,4%; это результаты собственной оценки с температурой 0. Модель содержит около 507,9 млн параметров, принимает текст и генерирует текстовый JSON; метаданные указывают контекст до 40 960 токенов. Модель специализирована на корейских протоколах и не подтверждена для других языков или типов документов. Указанные метрики относятся к конкретному тесту и методике автора. Сведения о лицензии в предоставленных данных отсутствуют.

ljh728/Qwen3-0.6B-JSON-SFT-GRPO — дообученная модель семейства Qwen3, разработанная ljh728 на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате, в том числе ответов в формате JSON. Модель принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит оценки качества или подробных ограничений, поэтому пригодность для конкретных сценариев JSON следует проверять на собственных примерах.

Карточка модели localized-ft/Qwen3-32B-bad-medical-advice-kld-pilot-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели Tonycoder11/Qwen3Guard-Gen-8B на Hugging Face совпадает с карточкой Qwen/Qwen3Guard-Gen-8B, поэтому описание составлено по ней. Qwen3Guard-Gen-8B — модель модерации безопасности от команды Qwen, дообученная на базе Qwen3-8B. Она формулирует классификацию как задачу следования инструкциям и оценивает пользовательские запросы и ответы модели по трём уровням: безопасный, спорный и небезопасный. Репозиторий содержит плотную причинную языковую модель Qwen3ForCausalLM размером 7,6 млрд параметров с контекстом до 32 768 токенов, предназначенную для запуска через Transformers. Модель рассчитана на проверку входящих запросов и сгенерированных ответов в системах модерации, включая многоязычные сценарии: в README заявлена поддержка 119 языков и диалектов. Она охватывает категории насилия, незаконных действий, сексуального контента, персональных данных, самоповреждения, неэтичного контента, политически чувствительных тем, нарушения авторских прав и попыток обхода инструкций во входных запросах. Доступна по лицензии Apache-2.0. Классификация может зависеть от контекста и выбранной политики применения; показатели качества и ограничения по отдельным языкам в предоставленных материалах не детализированы.

QWQ R1 Reasoning Distill 1.5B CoT — языковая модель на архитектуре Qwen2, дообученная prithivMLmods на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель содержит 1,5 млрд параметров и предназначена для генерации текста с пошаговыми рассуждениями, следования инструкциям и решения многоэтапных задач. В карточке указаны математические и логические задачи, объяснение решений и учебные сценарии; для диалога предусмотрен chat-интерфейс. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. В обучении использованы наборы данных с примерами математических решений и длинных рассуждений. Лицензия — Apache-2.0. Модель может ошибаться в вычислениях и фактах, испытывать трудности с неоднозначными задачами и очень длинными цепочками рассуждений. Её знания могут быть неполными или устаревшими, а результаты — зависеть от смещений и пробелов в обучающих данных.

saad592/results — дообученная модель DistilBERT для классификации текста, основанная на distilbert/distilbert-base-uncased. Репозиторий использует Transformers и хранит веса в формате safetensors; лицензия — Apache-2.0. Максимальная длина контекста составляет 512 токенов. Модель предназначена для присвоения тексту метки из набора классов, заданного при обучении. В README приведены результаты на оценочной выборке: accuracy 0,9892, precision 0,9928, recall 0,9262 и F1 0,9583. Датасет, набор меток и предметная область не описаны, поэтому эти показатели нельзя переносить на другие данные без проверки.