I.14Автоматизация процессов и AI-агенты

Infinity-Parser2-Pro-AWQ-W4A16 — это квантизированная int4-модель W4A16 для задач анализа изображений и текста, включая OCR, разбор документов и работу с визуально-языковыми запросами. Модель основана на infly/Infinity-Parser2-Pro и подготовлена пользователем spectator2026 для запуска на GPU NVIDIA A100 с архитектурой sm80, где исходный путь FP8 не поддерживается. Квантизация выполнена методом AWQ с помощью llm-compressor и применяется только к маршрутизируемым экспертам. Механизмы внимания, GDN/линейное внимание, общий эксперт, vision tower и lm_head сохранены в формате bfloat16. Размер модели уменьшен примерно с 70 ГБ в bf16 до 21 ГБ. Данные о количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. По результатам воспроизведения с AI-оценкой модель показывает близкое к исходной bf16-версии качество: 66,9 против 69,7 на MMStar, около 89 против 86,2 на OCRBench и 96,4 против 96,4 на DocVQA. Основное ограничение — необходимость корректной настройки vLLM и передачи параметра chat_template_kwargs с отключением режима рассуждений; без этого ответы могут попадать в reasoning channel. Модель распространяется по лицензии Apache-2.0.

InverseCoder-CL-13B — модель для генерации кода по инструкциям, созданная авторами проекта InverseCoder с помощью дообучения CodeLlama-13b-Python-hf на данных, сформированных методом Inverse-Instruct. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 16 384 токенов; она предназначена для запросов на естественном языке и генерации ответов и кода в формате text-generation. Модель подходит для написания и дополнения кода, выполнения инструкций по программированию и диалоговой помощи разработчику. В карточке указаны датасеты InverseCoder-CL-13B-Evol-Instruct-90K и Magicoder-Evol-Instruct-110K. README не приводит отдельные результаты бенчмарков или перечень поддерживаемых естественных языков. Репозиторий содержит веса Safetensors и использует лицензию llama2; условия применения следует сверять с лицензией и ограничениями исходной модели CodeLlama.

Italian_NER_XXL_v2 — модель распознавания именованных сущностей в итальянском тексте, разработанная Michele Montebovi. Это модель на основе BERT с 137,9 млн параметров и контекстом до 512 токенов; она размечает токены и выделяет 52 категории сущностей, включая персональные данные, финансовые и юридические сведения, медицинские термины, технические идентификаторы, места и даты. В карточке заявлены точность 87,5% и F1 89,2%, а также улучшенное распознавание сложных контекстов и меньшее число ложных срабатываний по сравнению с предыдущей версией. Модель предназначена для обнаружения чувствительной информации, анонимизации документов и извлечения сущностей из юридических, финансовых и медицинских текстов. README приводит поддержку итальянского текста; метаданные также помечают английский язык, но подробные показатели для него не приведены. Весовые файлы доступны в формате safetensors. Лицензия — Apache-2.0.

unsloth/JanusCoder-8B-GGUF — GGUF-квантизированная версия JanusCoder-8B, подготовленная Unsloth на основе модели internlm/JanusCoder-8B. JanusCoder разработан командой InternLM как открытая фундаментальная модель для единого визуально-программного интерфейса в задачах работы с кодом. Данная версия является текстовой моделью на базе Qwen3-8B и предназначена для генерации кода по текстовым инструкциям, включая построение визуализаций данных, интерактивных веб-интерфейсов, программных анимаций и других программно создаваемых визуальных материалов. Модель обучалась на мультимодальном корпусе JANUSCODE-800K, однако для JanusCoder-8B в README указано текстовое исполнение; отдельные визуально-языковые варианты представлены в семействе JanusCoderV. Среди сильных сторон — универсальность в задачах кодового интеллекта и визуально-программной генерации, а также результаты на PandasPlotBench, ArtifactsBench и DTVBench, где модель превосходит ряд сопоставимых открытых моделей. Размер модели — 8B параметров; конкретные языки программирования и размер контекстного окна не указаны. Для запуска через llama.cpp требуется режим --jinja, а для Transformers рекомендуется версия не ниже 4.55.0. Модель распространяется по лицензии Apache-2.0.

Модель kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная авторами kangkys плотная языковая модель семейства Llama с 7,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указаны английский язык и формат весов safetensors. Модель дообучена на базе kangkys/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. README не описывает набор данных, конкретные результаты обучения или отдельные сценарии Safe-DPO, поэтому эти свойства нельзя оценить по карточке. Лицензия — Apache-2.0.

amd/Kimi-K3-Quark-MXFP4 — мультимодальная модель на базе moonshotai/Kimi-K3, разработанная и оптимизированная Advanced Micro Devices, Inc. Она предназначена для генерации текста по текстовым, графическим и видеовходам, а также для задач рассуждения, включая работу с инструментами. Архитектура указана как KimiK3ForConditionalGeneration; выход модели — текст. Модель квантизирована с помощью AMD-Quark: веса и активации используют формат OCP MXFP4, а слои self-attention — PTPC-FP8. В MoE-компонентах experts и shared_experts применяется OCP MXFP4. README не содержит сведений о количестве параметров, длине контекста и поддерживаемых языках. Для запуска заявлена совместимость с AMD MI350 и MI355, ROCm 7.1.1, PyTorch 2.10.0, Transformers 5.2.0 и Linux; в качестве inference engine используются vLLM и, для оценки, SGLang. К сильным сторонам относятся мультимодальность и снижение требований к памяти и вычислениям благодаря квантизации. На тесте GSM8K модель показала 96,36 против 96,82 у исходной moonshotai/Kimi-K3, что соответствует восстановлению 99,52% исходного результата. Ограничения включают зависимость от совместимого оборудования и программного стека, а также необходимость специальных настроек vLLM для воспроизведения указанной конфигурации. Лицензия обозначена как other с названием kimi-k3; модификации защищены авторским правом Advanced Micro Devices, Inc. за 2026 год.

curiousily/layoutlmv3-financial-document-classification — модель автора curiousily, дообученная на базе microsoft/layoutlmv3-base для классификации финансовых документов по изображению и распознанному тексту. Она относит документы к одному из пяти классов: отчёт о прибылях и убытках, баланс, отчёт о движении денежных средств, примечания или прочие документы. Для распознавания текста при обучении использовались данные EasyOCR. Модель основана на LayoutLMv3, имеет около 151,8 млн параметров и контекст длиной до 514 токенов. Карточка указывает английский язык. Модель подходит для автоматической сортировки и предварительной маршрутизации финансовой отчётности; качество на других типах документов и языках не описано. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

Карточка модели Sing0402/legal-embed-gte-bm25 на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.

Карточка модели Sing0402/legal-embed-gte-inbatch на Hugging Face совпадает с карточкой Alibaba-NLP/gte-modernbert-base, поэтому описание составлено по ней. gte-modernbert-base — англоязычная модель для построения текстовых эмбеддингов, разработанная Tongyi Lab компании Alibaba. Она основана на encoder-only архитектуре ModernBERT и содержит 149 млн параметров; вектор представления имеет размерность 768, максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска, извлечения документов, сравнения предложений и подбора текстов по смыслу, в том числе как компонент систем RAG. В карточке приведены результаты оценок MTEB, BEIR, LoCo и COIR; они показывают эффективность на задачах поиска, включая поиск по длинным документам и коду. Доступны веса в форматах PyTorch, Safetensors и ONNX; для интеграции описано использование Transformers, Sentence Transformers и Text Embeddings Inference. Модель распространяется по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык, поэтому качество для других языков не подтверждено карточкой.

KoarAI/LFM2.5-350M-Thinking-0004 — компактная языковая модель для диалоговой генерации текста и пошаговых рассуждений. По карточке, модель разработана KoarAI на архитектуре LiquidAI LFM2.5 и дообучена методом двухэтапной дистилляции с несколькими учителями. В метаданных указаны плотная архитектура LFM2, около 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для ответов на вопросы, многошаговых математических рассуждений, генерации кода и работы на маломощных устройствах. Карточка заявляет хорошее владение русским языком и генерацию структурированных рассуждений; метаданные также отмечают английский. Указана лицензия Apache-2.0. Результаты скорости и бенчмарков приведены авторами модели и не являются независимой оценкой.

Модель triplee/llama3.1_8b_2S1S_v5_merge — дообученная текстовая модель семейства Llama 3.1, разработанная triplee на основе unsloth/meta-llama-3.1-8b-instruct. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека TRL; файлы представлены в формате safetensors. Лицензия — Apache-2.0.

Llama Nemotron Reranking 1B v2 — модель NVIDIA для переупорядочивания текстовых фрагментов по релевантности запросу. Она предназначена для мультиязычного и межъязыкового поиска, в том числе для систем вопросно-ответного поиска по документам: сначала поиск или эмбеддинговая модель выбирает кандидатов, затем реранкер оценивает пары «вопрос — фрагмент» и возвращает логиты релевантности. Модель содержит 1,2 млрд параметров и построена на основе meta-llama/Llama-3.2-1B. Это дообученный трансформерный cross-encoder с двунаправленным вниманием, mean pooling и бинарной классификационной головой. Принимает пары текстов и выдаёт числовые оценки; к логитам можно применить сигмоиду, чтобы получить вероятности. В README указана работа с документами длиной до 8192 токенов, а метаданные каталога задают нативный контекст в 131072 токена. Модель оценивали на 26 языках, включая русский, английский, китайский, арабский, хинди и другие. Она предназначена для коммерческого применения и может улучшать качество поиска, однако реранкер обычно применяют только к ограниченному набору кандидатов, а не ко всей коллекции документов. Длинные тексты рекомендуется разбивать на фрагменты или обрезать. Лицензия — OpenMDW-1.1; README также ссылается на лицензию сообщества Llama 3.2.

lumikabra-195B v0.3 — крупная языковая модель на архитектуре Mistral с 194,2 млрд параметров, созданная объединением моделей методом passthrough. В README указана как более крупный вариант lumikabra v0.3; в слияние вошли два диапазона слоёв модели schnapper79_lumikabra-123B_v0.3. Репозиторий содержит веса Safetensors для Transformers, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для генерации текста и диалогового общения. Интерфейс также поддерживает вызов инструментов. В README приведён пример запроса на написание художественной главы, однако он не устанавливает отдельную специализацию модели. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории.

UCSC-VLAA/m1-7B-23K — языковая модель семейства Qwen2, опубликованная UCSC-VLAA. Она предназначена для диалогов и ответов на вопросы; каталог также относит её к генерации текста и отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и принимает контекст до 32 768 токенов. Модель работает с текстом и размещена в формате safetensors. Метаданные указывают лицензию MIT. README содержимого не предоставляет, поэтому сведения о специальной настройке, языковом охвате и фактической точности подтвердить нельзя.

Это объединённая методом TIES через mergekit языковая модель семейства Llama 3.2, созданная из нескольких моделей на 3,2 млрд параметров. В качестве базовой при слиянии использовалась huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли варианты для SQL, математики, программирования и диалогов без ограничений на отказы. Модель предназначена для генерации текста и диалоговых сценариев, включая помощь с SQL, математическими задачами и кодом. Она принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных инструкций по использованию. Условия лицензирования в предоставленных данных не указаны, поэтому их следует проверить в карточке модели и у исходных моделей до применения.

MiniCPM-Reranker-Light — двуязычная модель переранжирования текстов, разработанная ModelBest совместно с лабораторией обработки естественного языка Университета Цинхуа (THUNLP) и группой информационного поиска Северо-Восточного университета (NEUIR). Она предназначена для уточнения порядка документов, найденных поисковой системой, в том числе в системах RAG, и поддерживает переранжирование между китайским и английским языками. Модель основана на MiniCPM-1B-sft-bf16, использует плотную архитектуру MiniCPM с двунаправленным вниманием и классификационную голову последовательности. В README указаны размер 1,2 млрд параметров и максимальная длина входа 8192 токена; метаданные указывают 1,4 млрд параметров и контекст 4096 токенов. Обучение проводилось в несколько этапов примерно на 5–6 млн открытых, синтетических и закрытых примеров. Модель принимает инструкцию, запрос и документ либо работает без инструкции, а в результате оценивает релевантность для ранжирования. Подходит для двуязычного поиска, улучшения выдачи и отбора контекста для RAG. README приводит результаты оценок на наборах китайского, английского и межъязыкового поиска. Лицензия в предоставленных сведениях не указана.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-7b 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.

Mistral-Crab-DPO — языковая модель для генерации текста, разработанная Юньцзя Ци, Хао Пэном, Сяочжи Ваном, Бинь Сюем, Лэй Хоу и Цзюаньцзы Ли. Она дообучена на базе Mistral-7B-v0.3 методом DPO и предназначена для выполнения сложных инструкций с ограничениями по формату, длине и другим условиям. Обучение использует набор CRAB, созданный методом обратного преобразования ограничений: к качественным парам «инструкция — ответ» добавлялись ограничения, которым уже соответствовали ответы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Основной язык — английский. Карточка сообщает об улучшении следования сложным инструкциям и приводит оценку на соответствующих бенчмарках, но не раскрывает здесь полные результаты для этой версии модели. Лицензия — Apache-2.0.

Это файл GGUF в формате F16 с весами мультиязычного ранжировщика cross-encoder/mMiniLMv2-L12-H384-v1, подготовленный Gramscii-IT для запуска через llama.cpp и подачи оценок через endpoint /v1/rerank. Вес модели не изменялись: это конверсия опубликованных весов исходной модели, обученной на mMARCO — наборе MS MARCO, переведённом на 14 языков. Базовая модель построена на nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large. Модель оценивает релевантность пары «запрос — фрагмент текста», чтобы переупорядочить результаты поиска. Её можно использовать после векторного или лексического поиска, например, для повышения точности выдачи в мультиязычном поиске и RAG. README приводит локальный тест на итальянских заметках, но его результаты относятся только к этому корпусу и условиям. Контейнер F16 рассчитан на сервер llama.cpp с режимом reranking и rank pooling; для PyTorch рекомендуется исходная версия. Модель читает до 512 токенов, поэтому более длинные фрагменты нужно обрезать по токенам. Пороговые значения оценок и результаты тестирования могут не переноситься на другие корпуса. Лицензия — Apache 2.0.

Sakalti/model-3 — языковая модель Qwen2, созданная слиянием моделей через mergekit методом TIES. В слиянии использованы Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct; итоговая модель имеет около 7,1 млрд параметров, архитектуру Qwen2ForCausalLM и веса в формате Safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и формирует текстовые ответы; заявленная длина контекста — 131 072 токена. В метаданных также отмечен интерфейс вызова инструментов. Данные README содержат результаты оценки на IFEval и BBH, но не описывают специальные предметные области или подтверждённые преимущества модели. Лицензия в предоставленных данных не указана.

Mtrini-27B-Tellus-Merged — объединённая модель CompiwerAI для запуска через Transformers. В README в качестве базовой модели указана Qwen3.8-27B; метаданные описывают архитектуру как плотную Qwen3.5 для авторегрессионной генерации текста. Размер по метаданным — 22,3 млрд параметров, нативный контекст — 262 144 токена, файлы представлены в формате safetensors. Модель предназначена для диалогов, генерации кода, математических задач и рассуждений. Для обучения использовалась смесь из 11 200 примеров, включающая данные по программированию и математике, а также марокканскую дариджу и арабский язык. В README сказано, что LoRA-адаптер CompiwerAI объединён с базовой моделью в самостоятельный чекпойнт. Модель распространяется по лицензии Apache-2.0. Результаты обучения и состав обучающей смеси приведены в карточке, но независимые оценки качества и подробные ограничения не описаны.

multi-qa-distilbert-dot-v1 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face Community Week по обучению моделей эмбеддингов предложений. Она основана на distilbert-base-uncased и дообучена на 215 млн пар «вопрос—ответ» из разных источников для семантического поиска. Модель преобразует запросы, вопросы и текстовые абзацы в плотные векторы размерности 768; для сравнения используется скалярное произведение, а векторы не нормализуются. В метаданных указаны реализации PyTorch, ONNX и OpenVINO. Модель подходит для поиска абзацев, релевантных запросу или вопросу, и для сопоставления вопросов с ответами. Она принимает текст на английском языке; максимальная длина входа — 512 токенов WordPiece, но обучение проводилось на последовательностях длиной до 250 токенов, поэтому качество на более длинных текстах может снижаться. Лицензия в предоставленных данных не указана.

NeoMME-800M-Retriever-ST-late — мультимодальная модель для поиска по документам, разработанная Hcompany. Она дообучена на основе Hcompany/NeoMME-800M-Retriever и использует один общий двунаправленный Transformer-энкодер для текстовых запросов и документов, включая текст и изображения страниц. Вариант ST-late предназначен для независимой настройки многовекторного поиска через Sentence Transformers и возвращает только многовекторные эмбеддинги. Модель подходит для поиска релевантных текстовых документов и страниц по текстовому запросу, включая визуальный поиск по документам. Представления L2-нормализованы, а ранжирование использует оценку MeanMaxSim. Архитектура NeoMME, около 1,1 млрд параметров, контекст до 16 384 токенов; заявлена многоязычная поддержка. Для работы используется Sentence Transformers. Модель распространяется по лицензии Apache-2.0. В Sentence Transformers за один запуск доступна только одна из двух голов поиска; этот вариант поддерживает только многовекторные эмбеддинги.

Стандартная англоязычная модель распознавания именованных сущностей, поставляемая в составе библиотеки Flair. Она использует эмбеддинги Flair и архитектуру LSTM-CRF, обучена на CoNLL-2003 и присваивает токенам метки для имён людей, географических названий, организаций и ещё одной категории сущностей. В карточке указана оценка F1 93,06 на исправленной версии CoNLL-03. Модель предназначена для выделения и классификации сущностей в английском тексте, например при разборе новостей и документов. Для использования требуется библиотека Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Модель raphaelsty/neural-cherche-colbert — англоязычная модель семейства MPNet, обученная с помощью Neural-Cherche и настроенная как ColBERT для поиска и ранжирования текстов. В README она описана как all-mpnet-base-v2 в формате ColBERT; доступны сценарии Retriever и Ranker, а для работы предлагается библиотека neural-cherche. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Лицензия — MIT. Метаданные Hugging Face классифицируют её как модель заполнения маски (fill-mask), тогда как карточка описывает применение для извлечения и ранжирования; поэтому для пользовательского поиска важнее указанные в README функции Retriever и Ranker.

olmOCR-2-7B-1025-FP8 — мультимодальная модель для оптического распознавания документов, разработанная Allen Institute for AI (Ai2). Она дообучена на базе Qwen2.5-VL-7B-Instruct с использованием набора данных olmOCR-mix-1025 и дополнительно оптимизирована методом GRPO для обработки математических формул, таблиц и других сложных случаев OCR. Версия FP8 квантизована с помощью llmcompressor. Модель предназначена для преобразования изображений страниц документов, включая PDF, в структурированный текст. Она подходит для распознавания научных статей, старых сканов, многостолбцовых документов, таблиц, колонтитулов и мелкого текста. Рекомендуемый сценарий использования — через olmOCR toolkit, который выполняет рендеринг, поворот и повторную обработку страниц и поддерживает масштабный инференс с помощью vLLM. На вход подаётся одно изображение документа; рекомендуемый размер — 1288 пикселей по длинной стороне. README указывает английский язык модели. Ключевые характеристики: визуально-языковая архитектура на основе Qwen2.5-VL-7B-Instruct, около 7 млрд параметров, обработка изображений и текста, FP8-квантизация. По данным olmOCR-Bench, общий результат составляет 82,4 ± 1,1. Ограничения включают зависимость качества от корректного рендеринга, ориентации и подготовки промпта, а также специализацию прежде всего на OCR документов; сведения о контекстном окне в README не указаны. Модель распространяется по лицензии Apache 2.0 и предназначена для исследовательского и образовательного использования в соответствии с принципами Responsible AI Ai2.

Ornith-1.5-35B-Uncensored-YMQ-MTP-GGUF — это набор архитектурно-ориентированных квантованных сборок модели Ornith-1.5-35B-A3B-Uncensored, разработанной 0xKitkat. Квантование выполнено проектом ZeroDigest с использованием собственного YMQ-Compiler v2.0 и формата GGUF на основе исходных BF16-файлов. Модель использует архитектуру Mixture-of-Experts (MoE) и предназначена для локального запуска, в том числе в агентских средах RooCode и Aider, а также для генерации текста и задач программирования. Доступны варианты XS, S, M и L размером примерно от 11,5 до 18,6 ГБ, рассчитанные на разные объёмы видеопамяти; вариант M обозначен как рекомендуемый для сценариев с большим контекстом. В описании приведены результаты оценки perplexity на WikiText-2 при окне контекста 4096 токенов: лучший показатель заявлен для варианта M — 12,4310. Архитектурно-ориентированное распределение разрядности призвано лучше сохранять маршрутизацию экспертов и качество рассуждений по сравнению с равномерным квантованием. Ограничения включают зависимость качества и требований к памяти от выбранного пресета, а также отсутствие в предоставленных данных сведений о поддерживаемых языках, максимальном контексте в рабочем режиме и фактической скорости инференса. Модель обозначена как uncensored, поэтому её поведение и защитные ограничения могут отличаться от стандартных инструкционных моделей. Репозиторий распространяется по лицензии Apache-2.0.

vikp/pdf_postprocessor_t5 — модель на базе T5 с архитектурой WeightedT5EncoderForTokenClassification и 364,6 млн параметров. Она предназначена для постобработки Markdown, полученного из PDF: исправляет переносы строк, пробелы и другие артефакты форматирования. Модель используется в Marker для очистки результата извлечения текста из PDF. Репозиторий содержит веса PyTorch и помечен задачей классификации токенов. В карточке не указаны отдельные сведения о поддерживаемых языках или лицензии, поэтому их нельзя уточнить по доступным данным.

Карточка модели Kaylebor/pf2e-codex-embed-xs на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Polygraf NER Stage 4 — модель распознавания именованных сущностей, разработанная в рамках технического задания Polygraf Applied NLP. Она дообучена целиком на базе distilbert-base-cased и выполняет токенную классификацию английского текста, выделяя восемь типов сущностей: людей, организации, места, даты и время, продукты, произведения искусства, должности и суммы. Модель содержит около 65,2 млн параметров, использует формат safetensors и принимает контекст до 512 токенов. На тестовой выборке модель показала micro-F1 0,826; сохранение регистра помогает находить имена собственные, в частности названия произведений, организаций и продуктов. Весам предоставлена лицензия Apache 2.0. В README указано, что модель переобучается на обучающей выборке, часто предсказывает сущности с избыточным охватом и путает некоторые типы именованных сущностей. Метрики сравнивают предсказания с несовершенной разметкой; условия лицензирования обучающих данных описаны отдельно в карточке датасета.