I.14Автоматизация процессов и AI-агенты

Карточка модели mergekit-community/mergekit-slerp-jgwqzez 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.

Карточка модели mergekit-community/mergekit-slerp-qamquir 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.

Это конверсия MetaCLIP 2 Worldwide Giant от команды zeromodels в формат Keras 3, основанная на facebook/metaclip-2-worldwide-giant. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображение, другой — текстовое описание, после чего система сопоставляет их представления для классификации изображений по категориям, заданным текстовыми подсказками. Модель предназначена для zero-shot классификации изображений без отдельного дообучения на выбранных категориях. Подсказки можно задавать на разных языках; вариант Worldwide обучен на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов. Реализация Keras 3 может работать с TensorFlow, PyTorch и JAX. Для обработки изображений и текста рекомендуется использовать соответствующий модели Processor. Это крупная модель, и некоторые варианты могут конвертировать веса из upstream-репозитория при загрузке, если готовых весов zeromodels нет. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Mi:dm 2.0 Mini Instruct — компактная плотная языковая модель семейства Llama, разработанная компанией KT с использованием собственной технологии. Модель создана для диалогового общения и генерации текста; версия Mini предназначена для локального и периферийного развертывания на устройствах и системах с ограниченными ресурсами. В карточке указано 1,8 млрд параметров, контекст — до 32 768 токенов, веса доступны в формате safetensors. Модель ориентирована прежде всего на корейский язык и учитывает корейские нормы, ценности и культурный контекст; также обучалась на английских данных. Поддерживает интерфейс вызова инструментов, для которого в vLLM предусмотрен парсер Mi:dm. Лицензия — MIT. Понимание и генерация на языках, кроме корейского и английского, не гарантированы. Ответы могут содержать фактические ошибки или неуместные выражения; модель не гарантирует надёжность профессиональных рекомендаций в медицине, праве и финансах.

ejahdil разработал сегментатор границ документов на основе MobileNetV3-Large с энкодером, предварительно обученным на ImageNet, и декодером U-Net. Модель принимает фотографию страницы, масштабирует её с сохранением пропорций до входа 384×384 и выдаёт маску с оценкой для каждого пикселя; по маске можно восстановить четырёхугольник границ документа. Модель предназначена для обнаружения страницы на фотографии, в том числе на фоне, близком по тону к бумаге. Она обучена на SmartDoc 2015 Challenge 1 с синтетическим повторным размещением страниц на различных фонах. В README указаны медианный Quad IoU 0,991 и 98,5% кадров с IoU не ниже 0,95 на отложенных документах. Это специализированная модель компьютерного зрения без текстового ввода и вывода. Оценка дана на ограниченном наборе SmartDoc; качество на иных типах документов и условиях съёмки отдельно не описано. Лицензия — CC BY 4.0.

ytu-ce-cosmos/modernbert-tr-reranker — турецкий cross-encoder-реранкер на базе ModernBERT с 148,7 млн параметров. Он оценивает релевантность пары «запрос — документ» и предназначен для повторной сортировки результатов, найденных первичным поисковым движком. Контекст модели — до 8192 токенов; репозиторий содержит веса Safetensors и ONNX-граф для запуска через ONNX Runtime. Модель разработана ytu-ce-cosmos и дистиллирована из Qwen/Qwen3-Reranker-8B методом listwise KL на данных для турецкого поиска и ответов на вопросы. В тестах с повторной сортировкой первых 100 результатов прирост NDCG@10 составил от 9,27 до 17,74 пункта на наборах SciFactTR, SquadTRRetrieval и ArguAnaTR; абсолютное качество зависит от первичного ретривера. Модель рассчитана на турецкоязычный поиск, включая вопросы и контраргументы. Для чувствительных к качеству сценариев автор рекомендует FP32: INT8 ONNX может заметно менять порядок оценок. Из-за недостатка длинных текстов в обучении качество на длинном контексте может снижаться. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-bg-fr — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP. Она переводит текст с болгарского на французский; модель построена на архитектуре Transformer и реализована как MarianMTModel. Веса содержат около 56,6 млн параметров, для токенизации используются нормализация и SentencePiece с словарями размером 32 тыс. токенов. В карточке приведён результат BLEU 53,7 на тестовом наборе Tatoeba-test.bul.fra. Модель подходит для перевода предложений и коротких текстов с болгарского языка на французский в приложениях, исследовательских проектах и локальных конвейерах перевода. Поддерживаются форматы PyTorch и TensorFlow; указанное в метаданных ограничение контекста — 512 токенов. Лицензия Apache-2.0 разрешает использование, изменение и распространение на её условиях.

BlackKakapo разработала дообученную модель машинного перевода на основе Helsinki-NLP/opus-mt-en-ro. Модель переводит текст с английского на румынский и построена на архитектуре Marian; она содержит 55,7 млн параметров и рассчитана на контекст до 512 токенов. Модель дообучена на полном наборе данных ccmatrix. В README приведено сравнение на тестовом наборе Helsinki-NLP/tatoeba_mt: BLEU модели составляет 0,53118, тогда как у исходной Helsinki-NLP/opus-mt-en-ro — 0,45844. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-sla-en — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это плотная модель семейства Marian на архитектуре Transformer с 55,3 млн параметров. Она переводит текст с ряда славянских языков на английский: среди исходных языков указаны белорусский, боснийский, болгарский, кашубский, чешский, хорватский, македонский, польский, русский, русинский, сербский, силезский, словенский, верхне- и нижнелужицкий и украинский. Для токенизации используется SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель подходит для перевода текстов со славянских языков на английский, включая обработку нескольких исходных языков одной моделью. В README приведены оценки BLEU и chr-F на тестовых наборах для чешского и ряда других языковых пар; результаты зависят от языка, жанра и качества текста. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

OPUS-MT — модель нейронного машинного перевода, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит с множества исходных языков на немецкий, английский и нидерландский; для каждого запроса целевой язык задаётся специальной меткой. Модель построена на архитектуре Marian Transformer-big и содержит 160,5 млн параметров. Она доступна через Transformers в форматах PyTorch и safetensors; размер её контекста — до 1024 токенов. Модель предназначена для перевода текстов на три целевых языка, в том числе для работы с языками с ограниченными ресурсами. Однако объём обучающих данных для многих языковых пар мал, поэтому качество сильно различается, а некоторые пары могут работать неудовлетворительно или не работать вовсе. Модель выпущена под лицензией Apache-2.0.

Pandalyst-7B-V1.1 — языковая модель для анализа данных с помощью библиотеки pandas, разработанная авторами проекта Pandalyst. Она дообучена на CodeLlama-7b-Python и предназначена для генерации кода и ответов, помогающих работать с таблицами разной структуры и выполнять задачи анализа данных. Версия V1.1 не поддерживает построение графиков. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. В карточке указан английский язык. Авторы сообщают результат 76,1 exec@1 на PandaTest_V1.0, однако это заявление из README, а независимая проверка здесь не представлена. Модель распространяется с лицензией Llama 2.

pdtg — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-small, разработанная tangminhanh. В метаданных указаны архитектура DeBERTa V2, 155 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт метки классификации. В README приведены результаты на оценочном наборе: accuracy 0,8976, F1 0,9033, precision 0,8986 и recall 0,9079. Назначение классов, область применения, обучающий набор данных и поддерживаемые языки карточка не раскрывает. Лицензия — MIT.

pronoobie/piper-voices-hindi — преобразованная в формат GGUF голосовая модель Piper для синтеза речи на хинди. README показывает запуск через CrispASR с backend Piper и голосом hi_IN-rohan; метаданные связывают репозиторий с rhasspy/piper-voices и указывают лицензию MIT. Модель принимает текст и генерирует аудио. В карточке также заявлен английский язык, однако приведённая команда запуска настроена на хинди. Для работы README требует ffmpeg и CrispASR.

EganAI/Qwen3-4B-Instruct-2507-20250808-233922-0 — языковая модель на архитектуре Qwen3, созданная EganAI послойным слиянием нескольких дообученных вариантов Qwen3-4B. В модели около 3,7 млрд параметров, она принимает текст и генерирует текст; базовая версия поддерживает контекст до 262 144 токенов. Метаданные указывают на английский язык и интерфейс для диалога и вызова инструментов. Модель оптимизировали для ответов на вопросы уровня GPQA Diamond. В README приведены результаты 45,45% на GPQA Diamond в режиме 0-shot и 72,51% на MMLU в режиме 5-shot; эти показатели относятся только к указанным тестам и настройкам. Модель также подходит для диалогов, следования инструкциям и общих текстовых задач. Это экспериментальное слияние, поэтому качество за пределами целевых тестов может меняться, а модель наследует ограничения исходных вариантов. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-4B-Instruct-MetaSecAlign — диалоговая языковая модель на архитектуре Qwen3, созданная ttttonyhe как неофициальное воспроизведение рецепта Meta SecAlign++ на базе Qwen/Qwen3-4B-Instruct-2507. Модель дообучена методом DPO с LoRA, чтобы лучше сопротивляться косвенным prompt injection атакам в содержимом инструментов, найденных документах, веб-страницах и письмах. Для работы с недоверенными данными приложение должно передавать их в отдельной роли `input`, сохраняя пользовательские и системные инструкции в соответствующих ролях. Модель принимает текст и выдаёт текст; её контекст составляет до 262 144 токенов, размер — около 3,7 млрд параметров. Доступны объединённые веса и LoRA-адаптер; для инференса в bf16 требуется примерно 9 ГБ видеопамяти. Лицензия — CC BY-NC 4.0. Это исследовательское воспроизведение, а не официальная модель Meta и не готовая защита для промышленной среды. Обучение снижает восприимчивость к prompt injection, но не устраняет её; устойчивость может падать при адаптивных атаках. Разделение ролей помогает только при корректной интеграции: недоверенный текст, помещённый в роль `user`, обходит предусмотренную защиту.

violetxi разработал полноразмерный чекпойнт Qwen3.5-9B, дообученный на эксперименте с заметками и траекториями, обусловленными заметками. Обучение использовало около 30 млн токенов разметки за две эпохи: 70% приходилось на заметки, 30% — на ответы ассистента в траекториях; KL-регуляризация не применялась. Модель загружается через Transformers, а веса опубликованы в формате safetensors. Чекпойнт предназначен для генерации текста и диалогового использования, включая агентные сценарии с интерфейсом вызова инструментов. В README приведены результаты исторической оценки на задачах Harvey: доля попыток, прошедших все критерии, составила 5,5% при бюджете в 5 ходов и 7% при 20 ходах. Эти результаты относятся к конкретному протоколу и не гарантируют качество в других сценариях. Базовая Qwen3.5-9B мультимодальна, однако в метаданных этой версии подтверждена только задача text-generation; её возможности обработки изображений здесь не заявлены. Модель основана на Qwen/Qwen3.5-9B и распространяется по лицензии Apache-2.0. В README указана длина упакованной обучающей последовательности 16 384 токена; это параметр обучения, а не подтверждённый предел контекста модели.

Модель dealignai/Qwen3.5-VL-122B-A10B-UNCENSORED-JANG_2S создана Jinho Jang на основе Qwen/Qwen3.5-122B-A10B. Это мультимодальная MoE-модель на 122 млрд параметров с 256 экспертами и восемью активными экспертами на токен, гибридной архитектурой GatedDeltaNet SSM и полным вниманием, а также возможностями работы с изображениями. Модель дообучена и преобразована в смешанную квантизацию JANG_2S: веса внимания имеют точность 6 бит, эмбеддинги — 4 бита, эксперты — 2 бита; размер файла составляет около 35 ГБ. Модель предназначена для диалогов и задач «изображение-текст», включая анализ изображений и ответы на вопросы по их содержимому. В карточке также заявлен интерфейс вызова инструментов. Вариант CRACK прошёл изменение весов, направленное на удаление отказов по соображениям безопасности, поэтому модель может выдавать небезопасные ответы. Для запуска требуется MLX на Apple Silicon и поддержка формата JANG; README указывает MLX Studio и пакет jang-tools. Лицензия — Apache-2.0.

Qwen3OIE-8B — португалоязычная модель извлечения открытой информации (OpenIE), разработанная на базе Qwen/Qwen3-8B и дообученная для преобразования предложений в одну или несколько троек отношений. Она генерирует JSON с полями ARG0, V и ARG1; архитектура — плотная авторегрессионная языковая модель Qwen3 с 7,6 млрд параметров. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения субъектов, отношений и объектов из португальских текстов, например для структурирования предложений из энциклопедических материалов. В карточке сообщается о лучшем результате среди сравнивавшихся моделей по лексическому F1: 0,5612. Оценка проведена на небольшом наборе из 100 предложений с преимущественно автоматически созданными и выборочно проверенными эталонными извлечениями. Контекстная длина базовой конфигурации составляет 40 960 токенов, однако обучение выполнялось с последовательностями длиной 2 048 токенов, а более длинный контекст для OpenIE не оценивался. Генеративные ответы могут пропускать или дублировать отношения, галлюцинировать и нарушать JSON-схему; извлечённые аргументы могут быть абстрактными, а не дословными фрагментами исходного текста. Качество на разговорном, специализированном, диалектном, длинном и состязательном португальском не установлено. Состояние обучения в опубликованном файле неоднозначно, поэтому для воспроизводимых результатов рекомендуется фиксировать ревизию. Извлечения сами по себе не подтверждают истинность фактов.

ReasonShield — мультимодальный классификатор безопасности и модерации на основе политики, разработанный ProCreations и дообученный на Shieldstral 1.0 3B. Модель принимает запрос, инструкцию и документ для оценки; может анализировать текст, изображения, OCR и сочетания изображения с подписью. Она выдаёт краткое резюме решения, затем вердикт «yes» или «no». Для совместимого с Shieldstral однотокенного оценивания используется исходный системный запрос базовой модели. Модель семейства Mistral3 с плотной архитектурой и 3 млрд параметров поддерживает английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский, арабский и русский языки. В обучении использованы 200 тысяч размеченных примеров, в том числе 40 тысяч визуальных; заявленный рабочий диапазон контекста — до 32 768 токенов. По опубликованным оценкам ReasonShield улучшает результаты базовой модели на части текстовых, мультиязычных и визуальных проверок, хотя качество зависит от политики и порога классификации. Модель подходит для проверки пользовательского контента и изображений на соответствие заданным правилам. Резюме решения может быть убедительным даже при неверном вердикте, поэтому пороги следует проверять на собственных данных, а значимые решения — оставлять на проверку человеку. Модель распространяется по лицензии Apache-2.0.

SafeTechDev разработала AIMS-RU-Binary-Spam-Classifier — бинарный классификатор русскоязычных сообщений, который оценивает вероятность спама. Модель дообучена на DeepPavlov/rubert-base-cased: энкодер BERT использует представление токена [CLS], а классификационная голова выдаёт один логит для класса SPAM. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель предназначена для фильтрации спама и автоматической модерации сообщений, в частности в Telegram-чатах. В README приведены результаты проверки на внешнем датасете alt-gnome/telegram-spam: F1 0,95, precision 0,98 и recall 0,92. Перед подачей рекомендуется нормализовать текст по правилам, использованным при обучении: убирать разрежённое написание и ссылки, заменять гомоглифы, схлопывать повторы букв и приводить текст к нижнему регистру. Модель обучена и проверена на русском тексте; качество на других языках не гарантируется. Она классифицирует отдельное сообщение без учёта контекста переписки. Порог 0,7 можно настроить под данные и требуемый баланс между precision и recall; стандартный Transformers pipeline для text-classification не запускает эту модель напрямую из-за пользовательской классификационной головы.

Sakalti/SJT-0.5B — компактная языковая модель для генерации текста, созданная слиянием моделей Qwen с помощью mergekit и метода TIES. В качестве основы использована предобученная Qwen/Qwen2.5-0.5B, объединённая с Qwen/Qwen2.5-0.5B-Instruct. Модель имеет архитектуру Qwen2ForCausalLM и около 494 млн параметров. Модель предназначена для генерации текста и диалоговых сценариев на английском языке; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов. Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Это компактная модель с возможностями инструктивной версии Qwen2.5, пригодная для прототипирования и задач генерации текста. README не приводит результатов оценки качества или подробных рекомендаций по эксплуатации, поэтому фактическое качество в конкретных сценариях следует проверять отдельно.

alt-gnome/spam-detector-v0.2 — русскоязычная модель классификации сообщений на спам и не спам, разработанная alt-gnome на основе RUSpam/spam_deberta_v4. Это дообученная DeBERTa с архитектурой DebertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая текст длиной до 512 токенов. Модель обучалась на пользовательском наборе русскоязычных сообщений; в карточке указаны оптимизатор AdamW, скорость обучения 2e-5, размер пакета 16 и три эпохи.

VinayHajare/speecht5_tts-finetuned-voxpopuli-en — дообученная модель синтеза речи на базе SpeechT5 от Microsoft. Она преобразует текст в речь и обучена на данных VoxPopuli; на оценочном наборе указано значение loss 0,4689. Архитектура — SpeechT5ForTextToSpeech, веса доступны в форматах PyTorch и Safetensors. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Модель Stanza для русского языка разработана командой Stanford NLP и предназначена для лингвистического анализа текста. Она входит в набор инструментов Stanza, который обрабатывает текст от базового языкового анализа до синтаксического разбора и распознавания сущностей. В Hugging Face модель классифицирована как token-classification и опубликована в формате PyTorch. Модель подходит для разметки токенов и использования в конвейерах NLP для русского языка. Репозиторий распространяется по лицензии Apache-2.0. Карточка не уточняет размер модели, конкретные типы разметки и длину контекста.

lmqg/t5-small-squad-ae — модель семейства T5, разработанная сообществом lmqg и дообученная на английском наборе lmqg/qg_squad для извлечения ответа из контекста. Она принимает текст и формулирует извлечённый ответ; модель основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и имеет контекстное окно 512 токенов. Репозиторий предоставляет веса PyTorch. В карточке приведены результаты оценки на lmqg/qg_squad: Answer Exact Match 56,15, Answer F1 68,06 и BERTScore 91,2. Модель подходит для извлечения ответов в конвейерах генерации вопросов и ответов по тексту. Лицензия — CC BY 4.0. Оценки относятся к указанному набору данных и сами по себе не гарантируют качество на других текстах.

TAPAS medium — модель Google на архитектуре BERT для ответов на вопросы по таблицам. Она предварительно обучена на английских текстах и таблицах из Википедии, а затем дообучена на Sequential Question Answering (SQA). Модель выбирает ячейки таблицы, чтобы сформировать ответ на вопрос в диалоговом сценарии; версия по умолчанию использует сброс индексов позиций в каждой ячейке, также доступна версия с абсолютными позиционными эмбеддингами. Модель содержит 49,2 млн параметров, принимает вопрос и таблицу в текстовом представлении и поддерживает последовательности длиной до 512 токенов. При дообучении использовалась эвристика, ограничивающая выбор ячеек одним столбцом. Модель предназначена для англоязычных таблиц и вопросов. Распространяется по лицензии Apache 2.0.

microsoft/tapex-base-finetuned-wtq — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и дообучена на наборе WikiTableQuestions с применением подхода TAPEX: модель предварительно обучали выполнять SQL-подобные запросы к таблицам, чтобы развить навыки табличного рассуждения. Модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для ответов на сложные вопросы по содержимому таблицы: например, поиска значений, сравнения чисел и определения первого или последнего элемента. Она принимает текст вопроса и таблицу, а ответ формирует в текстовом виде. Указанный в метаданных язык — английский, а лицензия — MIT. Карточка демонстрирует примеры решаемых вопросов, но не описывает ограничения качества или гарантии корректности ответов.

cyttic/trocr-webfonts7 — дообученная модель cyttic/exp2-frozen-benyehuda-cont на неизвестном наборе данных. Это модель архитектуры vision-encoder-decoder, предназначенная для преобразования изображения в текст; карточка сообщает о CER 0,0216 и WER 0,0611 на оценочном наборе. Модель подходит для распознавания текста на изображениях, в частности текста веб-шрифтов, что отражено в её названии. Данные не раскрывают поддерживаемые языки, длину контекста или подробные условия применения. Весы опубликованы в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

tangminhanh/ts_subcate — дообученная модель классификации последовательностей на основе tangminhanh/ts_cate, разработанная автором репозитория tangminhanh. Она использует архитектуру DeBERTa v2 с примерно 155 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текста по подкатегориям; конкретная схема меток и область применения в карточке не описаны. На указанном наборе оценки модель показала accuracy 0,7013, F1 0,7812, precision 0,8815 и recall 0,7014. Данные о языках и обучающем наборе не приведены. Модель распространяется под лицензией MIT.

UniRRM-8B — многоязычная модель оценки ответов, разработанная SUSTech-NLP на базе Qwen3-8B. Она предназначена для сравнения ответов и выставления им оценок по критериям, которые модель формирует с учётом задания и инструкции. Поддерживаются попарная, списочная и поэлементная оценка; модель анализирует задачу, строит критерии и выдаёт структурированное обоснование с итоговым суждением. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors. README описывает обучение в два этапа: SFT и GRPO на данных MixReward; заявлена поддержка 103 языков и шести областей данных. Метаданные указывают контекст до 40 960 токенов и мультиязычные языки, включая русский. Лицензия — Apache-2.0. UniRRM-8B подходит для оценки качества ответов в системах генерации и при сравнении вариантов ответа. Это генеративная модель оценки: в отличие от простой выдачи числового рейтинга, она формирует критерии и текстовое рассуждение. Заявленные языковой охват и несколько режимов оценки описаны в карточке модели; независимые гарантии качества для каждой задачи и языка не приведены.