I.14Автоматизация процессов и AI-агенты

Comprehend-it-multilang-base — мультиязычная модель компании Knowledgator для классификации текста без примеров, на основе mT5-base. Это encoder-decoder-модель семейства T5 с 291,2 млн параметров, обученная на многоязычных наборах для вывода по естественному языку и классификации текстов. Она сопоставляет текст с заданными пользователем названиями классов и выдаёт оценки принадлежности к ним. Модель подходит для тематической разметки, маршрутизации обращений и анализа текстов, когда заранее неизвестны или часто меняются категории. Текст и метки можно задавать на разных языках; автор заявляет поддержку почти 100 языков. Для работы используется библиотека LiqFit, поскольку стандартный pipeline Transformers для zero-shot-классификации не поддерживает эту архитектуру. В карточке приведены результаты сравнительных тестов в режиме zero-shot на нескольких наборах классификации, однако они не гарантируют такое же качество на произвольных данных. Модель выпущена под лицензией Apache-2.0.

Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Это англоязычный разреженный CSR-кодировщик текста, созданный авторами Sentence Transformers и дообученный на Natural Questions от базовой модели mixedbread-ai/mxbai-embed-large-v1. Он преобразует запросы и документы в разреженные векторы размерностью 4096 с максимум 256 активными измерениями; близость оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного информационного поиска, в том числе по коллекциям вопросов и ответов. Модель основана на архитектуре BERT, содержит около 433,9 млн параметров, принимает текст длиной до 512 токенов и работает через библиотеку Sentence Transformers. В карточке приведены оценки поиска на наборах Natural Questions, MS MARCO, NFCorpus и NanoBEIR. Лицензия — Apache-2.0.

deepset/deberta-v3-base-squad2 — англоязычная модель для извлечения ответов на вопросы из текста, разработанная deepset и дообученная на SQuAD 2.0. Она принимает вопрос и контекст, а затем возвращает фрагмент контекста как ответ; обучение также включает вопросы, на которые ответа в тексте нет. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Подходит для поиска ответов в документах и создания конвейеров extractive question answering, в том числе с Haystack. Основное ограничение: модель ориентирована на английский язык и извлечение ответа из предоставленного контекста, а не на свободную генерацию или поиск сведений вне него. Лицензия — CC BY 4.0.

DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели SAIFIINDUSTRIES/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DenseOn — плотная модель поиска LightOn на базе ModernBERT с 149 млн параметров. Она независимо кодирует запросы и документы в векторы размерности 768 и предназначена для поиска по смыслу и ранжирования документов по близости к запросу. Для запросов используется префикс `query:`, для документов — `document:`; применяется CLS-пулинг и косинусное сходство. Модель рассчитана на англоязычный поиск. В README указана максимальная длина последовательности 512 токенов, тогда как метаданные Hugging Face сообщают о контексте в 8192 токена. В бенчмарке BEIR авторы приводят средний результат 56,75 nDCG@10 на 15 наборах данных и 57,71 на очищенном наборе из 12 датасетов. Модель распространяется по лицензии Apache 2.0.

e5-R-mistral-7b — языковая модель для поиска и извлечения релевантных текстов, созданная дообучением Mistral-7B-v0.1 на наборе BeastyZ/E5-R. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров, работающая через Transformers и представленная в формате safetensors. Модель рассчитана на английский язык; её контекстное окно составляет 32 768 токенов. Модель можно применять для извлечения документов по запросу и построения поисковых компонентов, например, в системах RAG. В метаданных Hugging Face указана задача text-generation, хотя в README модель описана как ретривер. Лицензия — Apache-2.0. Подробности о качестве поиска и инструкции по использованию в карточке не приведены.

PS4Research/EVPdEf4TUz3pRa2u — дообученная языковая модель семейства Qwen3, разработанная PS4Research на базе unsloth/Qwen3-14B-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen3ForCausalLM и принимает текст для генерации текста; поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев. Её контекстное окно составляет 40 960 токенов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Специализация дообучения и его качество в карточке не раскрыты.

FineLlama-3.1-8B-fiftycore-V1 — языковая модель компании fiftycore, созданная дообучением unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с помощью Unsloth и библиотеки Hugging Face TRL. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; также заявлен интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Для неё указано контекстное окно до 131 072 токенов, а среди языковых меток карточки указан английский. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

Microsoft Florence-2-large — универсальная модель компьютерного зрения и языка с архитектурой Florence-2 и последовательной схемой преобразования входа в выход. В этой карточке размещена продолженная версия предварительно обученной Florence-2-large: в README указано, что для продолжения обучения использовано 0,1 млрд примеров и контекст увеличен до 4 тыс. токенов; авторы предупреждают, что модель могла быть обучена недостаточно хорошо. Размер исходной Florence-2-large указан как 0,77 млрд параметров. Модель принимает изображение и текстовую задачу в виде промпта. Она предназначена для создания подписей к изображениям, обнаружения объектов, локализации областей по тексту, предложений регионов, сегментации и распознавания текста на изображениях, в том числе с привязкой OCR-результатов к областям. Florence-2 обучалась на датасете FLD-5B с 5,4 млрд аннотаций для 126 млн изображений; README приводит результаты оценки для описания изображений и обнаружения объектов, но отдельно отмечает возможное ухудшение качества именно этой продолженно обученной версии. Репозиторий содержит реализацию для Transformers, веса представлены в PyTorch и Safetensors. Лицензия — MIT. Описание не задаёт конкретный набор естественных языков; качество OCR и визуальных предсказаний может зависеть от изображения и задачи.

Florence-2-large-ft — преобразованный для Transformers чекпойнт модели Florence от Microsoft, дообученный для набора задач компьютерного зрения. Модель использует плотную архитектуру Florence-2 с генерацией последовательностей по текстовым запросам; размер исходной Florence-2-large составляет 0,77 млрд параметров. Она принимает изображение и текстовый запрос, а в ответ может создавать подписи и описания, распознавать текст, находить объекты и области изображения, связывать фразы с областями и предлагать регионы. Модель предназначена для универсального анализа изображений, включая создание подписей, OCR и визуальные вопросы и ответы. В карточке указано, что этот вариант продолжает предобучение Florence-2-large на 0,1 млрд примеров; автор предупреждает, что такое обучение могло оказаться недостаточным. Для OCR в этой версии используется символ перевода строки между строками. Контекст — 4 тысячи токенов. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

Это модифицированная версия Florence-2-large от Microsoft, опубликованная multimodalart для работы без зависимости flash-attn: специализированные методы внимания заменены стандартным attention, что может снизить производительность. Модель использует плотную seq2seq-архитектуру Florence-2 и содержит около 0,77 млрд параметров; веса представлены в формате PyTorch и обучены в float16. Лицензия — MIT. Модель принимает изображение и текстовую инструкцию-промпт, а затем генерирует текстовые описания и ответы либо структурированные результаты с координатами и метками. По промпту выполняет описание изображений, обнаружение объектов, выделение областей и их привязку к фразам, генерацию предложений областей и OCR, включая распознавание текста с координатами. Карточка описывает широкий набор зрительных и визуально-языковых задач, но не указывает языки, на которых гарантируется качество распознавания и генерации.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.

Geneva 12B GammaCorpus v2-100k — плотная авторегрессионная языковая модель на архитектуре Mistral, разработанная rubenroy и дообученная на Mistral Nemo Instruct 2407 с использованием набора GammaCorpus v2-100k. Она предназначена для диалоговой генерации текста и следования инструкциям; метаданные также указывают интерфейс вызова инструментов. Модель содержит 12,1 млрд параметров и поддерживает контекст до 1 024 000 токенов. Карточка описывает GammaCorpus как набор структурированных и отфильтрованных многоходовых диалогов. Модель ориентирована на несколько языков, включая английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский. Весовые файлы доступны в формате Safetensors, библиотека для работы — Transformers. Лицензия — Apache-2.0. Автор заявляет целью превосходство над моделями сопоставимого размера, однако сравнительные результаты в карточке не приведены. Среди указанных ограничений — возможность генерации предвзятых ответов; качество вызова инструментов отдельно не охарактеризовано.

German-RAG-NEMO-12B-CPT-HESSIAN-AI — авторегрессионная трансформерная языковая модель команды Avemio AI при поддержке Hessian AI. Это дообученная версия Mistral-Nemo-Base-2407 с 12,1 млрд параметров, предназначенная для задач генерации текста, контекстных ответов на вопросы, структурированного рассуждения и суммаризации. Модель адаптировали для немецкоязычных сценариев, сохранив поддержку английского языка; обучение включало около 507 млн токенов. Модель подходит для ответов по предоставленному контексту, в том числе в системах RAG, а также для обобщения документов и решения задач с несколькими ограничениями. В метаданных заявлено контекстное окно до 1 024 000 токенов. Модель распространяется по лицензии Apache 2.0. Без фильтров безопасности она может генерировать вредный или предвзятый контент, а ответы и фактические утверждения могут быть недостоверными и требуют проверки.

GLiClass Multilang Ultra — мультиязычная модель классификации текста от Knowledgator на архитектуре GLiClass. Она предназначена для zero-shot и few-shot классификации по заданным пользователем меткам, а также для оценки соответствия текста меткам при решении задач NLI и ранжирования релевантности. Модель поддерживает 20 языков: шведский, норвежский, чешский, польский, литовский, эстонский, латышский, испанский, финский, немецкий, французский, румынский, итальянский, португальский, нидерландский, украинский, хинди, китайский, арабский и иврит. Текст и метки могут быть на разных языках. В README указано около 1,72 млрд параметров; доступны иерархические метки, их описания и примеры для few-shot настройки. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и классификации безопасности LLM. В README приведены оценки на нескольких наборах данных и сравнительные замеры скорости; фактическая производительность зависит от оборудования и задачи. Русский язык среди заявленных языков отсутствует. Лицензия — Apache-2.0.

cyankiwi/GLM-4.6V-Flash-AWQ-4bit — 4-битная AWQ-квантизированная версия GLM-4.6V-Flash, разработанная Ton Cao на основе модели GLM-4.6V-Flash от Z.ai. Модель относится к семейству GLM-V и предназначена для локального развертывания и приложений с низкой задержкой. Это мультимодальная модель для задач image-text-to-text: она обрабатывает изображения и текст, поддерживает китайский и английский языки, а также сценарии визуального понимания документов, таблиц, графиков, интерфейсов и скриншотов. Семейство GLM-4.6V заявляет поддержку контекста до 128K токенов, мультимодального function calling, анализа многостраничных документов, генерации смешанного текстово-графического контента и восстановления HTML/CSS по скриншотам; README не уточняет, одинаково ли все эти возможности реализованы именно в данной AWQ-версии. Размер базовой GLM-4.6V-Flash составляет 9B параметров. Квантизация выполнена методом AWQ с точностью 4 бита и group size 32, с использованием llm-compressor и набора 5CD-AI/LLaVA-CoT-o1-Instruct. Заявленный объём памяти снижен примерно с 19,2 до 8,3 ГБ, что делает модель более подходящей для локального запуска. Для инференса рекомендуется vLLM; README не приводит подробных результатов бенчмарков или анализа возможной потери качества после квантизации. Модель распространяется по лицензии MIT. Для запуска указаны vLLM и актуальная версия Transformers.

GLM-5.2-MXFP4-Mixed-CT-AutoRound — смешанная по точности версия модели GLM-5.2 от Z.ai, подготовленная Intel AutoRound в режиме RTN и упакованная в формат Compressed Tensor. Репозиторий основан на zai-org/GLM-5.2; в метаданных указана связь finetune, однако README описывает квантование весов до MXFP4 и MXFP8. Модель предназначена для генерации текста и диалогового применения; базовая GLM-5.2 также ориентирована на программирование и длительные задачи. Репозиторий использует safetensors и библиотеку Transformers, формат совместим с vLLM и поддерживает настройку вызова инструментов. README показывает пример запуска с ограничением контекста 4096 токенов; это параметр примера запуска, а не заявленный родной предел модели. Квантование в смешанной точности уменьшает требования к хранению и вычислениям по сравнению с полной точностью, но README не приводит оценок качества или скорости. Модель может выдавать фактически неверные ответы, предвзятый, оскорбительный или непристойный контент, поэтому перед применением необходима проверка безопасности. В метаданных указана лицензия other; условия коммерческого использования следует уточнить отдельно.

afanjul/gte-reranker-modernbert-base-mlx — англоязычный реранкер на базе ModernBERT-base, подготовленный afanjul и преобразованный из Alibaba-NLP/gte-reranker-modernbert-base в формат MLX. Модель оценивает релевантность текста для ранжирования, например при поиске или отборе результатов по запросу. Она построена на архитектуре ModernBERT и содержит 149 млн параметров; длина контекста составляет до 8192 токенов. Репозиторий содержит веса в формате safetensors, а README описывает использование через mlx-embeddings. Модель рассчитана на англоязычные задачи ранжирования текста. Лицензия — Apache-2.0. README указывает на конверсию в MLX, а метаданные связывают модель с дообучением answerdotai/ModernBERT-base; конкретная схема обучения реранкера не описана.

Hermes-2-Pro-Llama-3-8B-GGUF — квантизированная GGUF-версия языковой модели Hermes-2-Pro-Llama-3-8B, разработанной NousResearch и преобразованной в GGUF компанией Second State Inc. Это текстовая модель для генерации ответов в диалогах и использования инструментов, совместимая с форматом ChatML и запуском через LlamaEdge. В README указан английский язык. Модель относится к семейству Llama и содержит 8 млрд параметров. Доступны варианты квантизации от 2 до 8 бит, а также версия f16 размером 16,1 ГБ. Рекомендуемые варианты Q4_K_M, Q5_K_M и Q5_K_S обеспечивают компромисс между размером и сохранением качества; наиболее компактные варианты требуют меньшего объёма памяти, но сопровождаются более заметной потерей качества. Указанный размер контекста — 4096 токенов. Для работы требуется LlamaEdge версии 0.11.3 или новее и соответствующий шаблон prompt: chatml для диалогов или chatml-tool для использования инструментов. README не содержит сведений о лицензии исходной модели или этой сборки, поэтому условия распространения и коммерческого использования по представленным данным определить нельзя.

Jan-Nano-128k — компактная языковая модель Alan Dao и Bach Vu Dinh, дообученная на базе Menlo/Jan-nano. Это плотная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 131 072 токенов. Она предназначена для исследовательских задач: анализа длинных документов и научных статей, синтеза информации из нескольких источников и ведения многоходовых диалогов. Модель поддерживает чат и интерфейс вызова инструментов MCP; авторы характеризуют её как не использующую режим пошагового рассуждения. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; для запуска авторы описывают развёртывание через vLLM с настройками для длинного контекста и вызова инструментов. Лицензия — Apache-2.0. README сообщает об оценке на SimpleQA, но не приводит численных результатов, поэтому заявленное улучшение относительно Jan-Nano нельзя количественно оценить по карточке.

JetlinkSTT-v1.0-7B — многоязычная модель распознавания речи, размещённая Jetlink как управляемая организацией копия модели семейства Qwen3-ASR. Метаданные указывают на дообучение Qwen/Qwen3-ASR-1.7B; модель принимает аудио и предназначена для преобразования речи в текст и определения языка. Модель поддерживает потоковую и офлайн-обработку, длинные записи, пакетный запуск и сценарии транскрибации. В README заявлена устойчивость к шуму, сложным речевым паттернам и пению, в том числе под музыку. Указана поддержка 52 языков и диалектов исходным семейством, включая русский, английский, китайский и другие перечисленные языки. Модель подходит для транскрибации звонков и встреч, создания субтитров, голосовых помощников и аналитики речи. Практическая производительность и требования к памяти зависят от оборудования, длительности аудио, пакетного размера, конкуренции запросов и выбранного серверного ПО. Для юридических, медицинских и критически важных сценариев README рекомендует проверку человеком. Лицензия — Apache-2.0.

KaLM-Reranker-V1-Small-R2 — мультиязычная модель для переранжирования документов в поисковых системах и RAG-системах, разработанная командой KaLM-Embedding. Это дообученный вариант encoder-decoder модели T5Gemma2 с архитектурой FBNL: она оценивает релевантность документа запросу, поддерживает инструкции и позволяет менять вычислительные затраты с помощью коэффициента сжатия представлений. Версия Small содержит около 1 млрд активируемых параметров, 26 слоёв в энкодере и 26 в декодере, а длина последовательности составляет до 128 тысяч токенов. Модель рассчитана на ранжирование кандидатов в многоязычном поиске и RAG. Поддерживается Matryoshka pooling с коэффициентом сжатия от 1x до 128x, что позволяет выбирать баланс между скоростью и качеством или использовать каскадное ранжирование. В README приведены результаты на BEIR и MIRACL; при стандартном сжатии 4x Small-R2 показывает nDCG@10 61,07 на BEIR и 74,06 на MIRACL. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она выдаёт оценки для ранжирования, а не готовые ответы пользователю; качество зависит от языка, набора документов, параметров сжатия и сценария применения.

Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.

KURE-Reranker-nano — компактная двуязычная модель-переранжировщик корейских и английских текстов, разработанная nlpai-lab на базе SKT A.X-Encoder-base. Это cross-encoder на архитектуре ModernBERT примерно со 148,7 млн параметров: модель совместно обрабатывает запрос и кандидатный документ и выдаёт оценку их релевантности. Контекст составляет до 16 384 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе длинных документов. В README приведены результаты на девяти корейских поисковых бенчмарках: средний nDCG@10 — 87,57, а на MultiLongDocRetrieval — 79,66; также сообщается о высокой пропускной способности в условиях описанного теста на NVIDIA RTX A6000. Эти показатели относятся к указанным бенчмаркам и условиям измерения и не гарантируют аналогичных результатов на других данных или оборудовании. Модель выпущена под лицензией Apache-2.0.

KURE-v2 — двуязычная корейско-английская модель поиска документов, разработанная nlpai-lab на основе skt/A.X-Encoder-base. Она предназначена для извлечения релевантных документов по запросу и повторного ранжирования кандидатов в поисковых системах и RAG-сценариях. Модель использует архитектуру ModernBERT и позднее взаимодействие: представляет каждый токен 128-мерным вектором, а релевантность пары «запрос — документ» оценивает через MaxSim. Размер по метаданным — 148,7 млн параметров; контекст — до 16 384 токенов. В карточке сообщается, что модель обучалась в два этапа и показала средний nDCG@10 0,8160 на девяти корейских задачах MTEB Retrieval. Для запросов и документов не нужны инструкции-префиксы. Модель подходит для корейского и английского поиска, включая длинные документы. Позднее взаимодействие хранит несколько векторов на документ, поэтому размер индекса и стоимость поиска зависят от выбранного способа индексации и сжатия; для больших коллекций README рекомендует индекс, формирующий кандидатов, например PLAID или BinaryIVF. Лицензия — Apache-2.0.

Llama-3.1-Niitorm-8B — объединённая диалоговая языковая модель на архитектуре Llama 3.1, созданная слиянием Sao10K/L3.1-8B-Niitama-v1.1 и akjindal53244/Llama-3.1-Storm-8B методом NEARSWAP с параметром t=0.0001. В README также указано включение варианта Niitama с LoRA для abliteration. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно до 131 072 токенов. Модель предназначена для диалогов и генерации текста, в том числе ответов на инструкции и вызова функций через соответствующий интерфейс. В карточке заявлена преимущественно выполненная abliteration, однако подробные оценки качества и гарантии поведения не приведены. Доступны веса в формате safetensors; README также упоминает сторонние квантизированные сборки GGUF. Лицензия в предоставленных данных не указана.

Модель SpeechBrain предназначена для определения языка по коротким речевым записям. Она обучена на датасете CommonLanguage и распознаёт 45 языков, включая русский, английский, арабский, китайский, японский и другие. Система сочетает ECAPA-TDNN, статистический pooling и классификатор, обученный с categorical cross-entropy. Обучающие записи имеют частоту дискретизации 16 кГц и один канал; при использовании classify_file SpeechBrain автоматически приводит аудио к нужному формату. Для другой частоты дискретизации или числа каналов входной тензор нужно подготовить самостоятельно при использовании encode_batch и classify_batch. Точность на тестовом наборе CommonLanguage указана как 85%. Модель подходит для классификации языка в речевом аудио. SpeechBrain предупреждает, что качество на других датасетах не гарантируется. Распространяется по лицензии Apache-2.0.