I.14Автоматизация процессов и AI-агенты

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

HooshvareLab/bert-fa-base-uncased-ner-peyma — модель для распознавания именованных сущностей в персидском тексте, разработанная на основе ParsBERT v1.1 и дообученная командой HooshvareLab на персидских корпусах. Она использует архитектуру BERT с классификацией каждого токена и размечает сущности в формате IOB: организации, денежные суммы, местоположения, даты, время, имена людей и проценты. Модель предназначена для извлечения структурированных сведений из персидских текстов, например для поиска организаций и персон в новостях или выявления дат и денежных сумм в документах. В README для набора PEYMA сообщается результат F1 93,40. Контекст модели составляет 512 токенов, размер — около 190 млн параметров; доступны версии весов PyTorch, TensorFlow и Flax. Модель поддерживает персидский язык и распространяется по лицензии Apache-2.0. Она ориентирована на NER и категории набора PEYMA; README не сообщает оценок для других языков, доменов или наборов сущностей.

bge-reranker-v2-m3-GGUF — GGUF-квантизированная версия модели bge-reranker-v2-m3, разработанной BAAI. Модель предназначена для переранжирования результатов поиска: принимает запрос и документ или фрагмент текста и напрямую вычисляет оценку их релевантности, а не создаёт эмбеддинги. Это делает её подходящей для семантического поиска, retrieval-систем и сценариев, где требуется упорядочить найденные документы по соответствию запросу. Модель основана на bge-m3 и обладает мультиязычными возможностями; конкретный набор поддерживаемых языков и размер контекста в README не указаны. Оценку релевантности можно использовать напрямую или преобразовать в диапазон от 0 до 1 с помощью сигмоидальной функции. Ключевыми преимуществами заявлены компактность, простота развёртывания, высокая скорость инференса и поддержка мультиязычных сценариев. README не содержит сведений о точном размере модели, параметрах, формате квантования или измерениях качества, поэтому эти характеристики оценить нельзя. Распространяется по лицензии Apache-2.0. GGUF-квантизация выполнена на основе указанного релиза llama.cpp; для исходной модели приведена ссылка на BAAI/bge-reranker-v2-m3.

onnx-community/bge-reranker-v2-m3-ONNX — это ONNX-версия модели BAAI/bge-reranker-v2-m3, автоматически преобразованная и опубликованная сообществом onnx-community. Модель предназначена для переранжирования текстов: она может оценивать релевантность текстового фрагмента заданному запросу и использоваться в задачах поиска, семантического сопоставления и построения систем retrieval-augmented generation (RAG). Модель доступна для запуска через библиотеку Transformers.js и представлена в формате ONNX, что делает её подходящей для JavaScript-приложений и сред, поддерживающих ONNX. README не содержит сведений о точной архитектуре, размере, поддерживаемых языках, максимальной длине контекста, модальностях, показателях качества или ограничениях. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.

darkmaniac7/bge-small-en-MNN — это конверсия модели эмбеддингов BAAI/bge-small-en-v1.5 в формат MNN, подготовленная TokForge для локального вывода на Android, Linux и iOS. Модель предназначена для построения векторных представлений текстов, семантического поиска, sentence similarity, RAG, а также формирования embeddings для памяти и задач reflection на устройствах без зависимости от GGUF/llama.cpp. Исходные веса разработаны Beijing Academy of Artificial Intelligence, а конверсия не содержит новых весов. Модель основана на 12-слойном BERT-энкодере с 33 млн параметров, размером скрытого состояния 384, 12 attention heads и промежуточным слоем размерности 1536. Используются CLS-пулинг и L2-нормализация; размер итогового embedding — 384, максимальная длина последовательности — 512 токенов. Веса представлены в fp16, размер файла составляет около 64 МБ. Поддерживается английский язык; модель принимает токенизированный текст и возвращает last_hidden_state, из которого извлекается embedding CLS-токена. Сильная сторона модели — возможность эффективного on-device-инференса через MNN и практически полное совпадение качества с GGUF-базовой версией в указанном синтетическом retrieval-тесте: для Recall@1, @3, @5 и @10 регрессии не выявлено, а среднее межмодельное cosine similarity составило 0,9962. Ограничения включают поддержку только английского языка, предел в 512 токенов и необходимость корректно выполнять CLS-пулинг, L2-нормализацию и, для асимметричного поиска, добавлять стандартный BGE-префикс к запросу. Модель распространяется по лицензии MIT.

ColBERT-Zero-unsupervised — модель LightOnAI для поиска релевантных документов по текстовому запросу. Это ColBERT-модель на архитектуре ModernBERT с 149 млн параметров, реализованная через PyLate. Она кодирует запросы и документы в наборы векторов и сопоставляет их методом позднего взаимодействия MaxSim; выходная размерность — 128. В README указаны длины до 39 токенов для запросов и до 187 токенов для документов, а контекст модели по метаданным — 8192 токена. Модель обучена на открытых данных и предназначена для много-векторного поиска и ранжирования документов. В тестах авторов ColBERT-Zero достигла 55,43 nDCG@10 на BEIR. Для сохранения качества необходимо кодировать запросы и документы с соответствующими промптами `search_query:` и `search_document:`; неверное выравнивание промптов может заметно ухудшить результаты. Карточка сообщает об ограничениях обобщения результатов на другие обучающие данные и настройки. Лицензия — Apache-2.0.

Continual AI 2.0B (Reasoning Infused v2) — языковая модель с открытыми весами от Continual AI Research, построенная на архитектуре Mistral. Репозиторий содержит около 1,7 млрд параметров в формате safetensors; README указывает 1,83 млрд параметров, 28 слоёв, Grouped-Query Attention и SwiGLU. Контекст модели составляет 8192 токена. Модель предназначена для генерации текста в диалогах, многошаговых рассуждений, решения математических и логических задач, а также генерации кода. В карточке заявлены механизмы непрерывного обучения, включая индексируемую память и адаптеры пластичности; README также заявляет снижение катастрофического забывания, но не приводит независимых подтверждений этих свойств. Метаданные отмечают возможности чата и работы с кодом. Указан английский язык. Модель можно загружать через Transformers как причинную языковую модель. Лицензия — Apache-2.0. Заявленные в README результаты на математических, логических и алгоритмических задачах описаны без достаточных деталей о методике оценки, поэтому их следует считать заявлениями авторов, а не независимой оценкой качества.

cksghl1004/cpp_moondream2 — компактная модель визуального языка из семейства Moondream, опубликованная 25 июня 2025 года. Репозиторий содержит релиз Moondream от 21 июня 2025 года; модель предназначена для эффективного запуска на широком спектре устройств. Доступны веса в форматах GGUF F16 и safetensors, лицензия — Apache-2.0. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она подходит для описания изображений, ответов на визуальные вопросы, распознавания текста в документах и таблицах, понимания диаграмм и интерфейсов, обнаружения и подсчёта объектов, а также тегирования изображений. В README отмечены улучшения OCR и понимания диаграмм, документов и экранов в обновлениях 2025 года. Рекомендуется фиксировать конкретную ревизию при использовании в производственном приложении, поскольку модель часто обновляется. Для свежего релиза в README указано, что подробные примечания к выпуску ещё не опубликованы.

Contextual AI Reranker v2 1B — мультиязычная модель переранжирования текста, разработанная Contextual AI. Она предназначена для повторной сортировки документов, найденных поисковой или retrieval-системой, с учётом запроса и пользовательских инструкций. Модель подходит для вопросно-ответных систем, мультиязычного поиска, рекомендаций и продуктового поиска, а также для сценариев, где требуется учитывать противоречия между документами или отдавать приоритет более свежей информации. Модель содержит около 1 млрд параметров, поддерживает более 100 языков и контекст длиной до 32K токенов. Её ключевая особенность — следование инструкциям при ранжировании: например, можно указать приоритет последних исследований или другого критерия отбора. В README заявлены высокие результаты на BEIR и выгодное соотношение стоимости и качества, однако конкретные значения бенчмарков не приведены. Модель ориентирована на текстовые задачи и требует специального инференс-процесса с vLLM или Transformers; для production рекомендуется vLLM. Ограничения включают зависимость от совместимых версий библиотек и аппаратных режимов, а также лицензию CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование и предусматривает условия Attribution и ShareAlike.

DASD-4B-Thinking GGUF — компактная плотная языковая модель примерно на 4 млрд параметров, опубликованная в формате GGUF пользователем Mungert. Исходная модель разработана командой Alibaba-Apsara и создана на основе Qwen3-4B-Instruct-2507 с дистилляцией знаний от gpt-oss-120b методом distribution-aligned sequence distillation. Модель ориентирована на рассуждения с длинной цепочкой мыслей, включая решение математических задач, генерацию кода и научное рассуждение. Для обучения использовалось 448 тысяч примеров из наборов Superior-Reasoning-SFT-gpt-oss-120b и Superior-Reasoning-SFT-gpt-oss-120b-Logprob. Это текстовая autoregressive-модель для генерации текста; сведения о поддерживаемых языках и размере контекста в карточке не указаны. Версия GGUF создана с использованием llama.cpp. Автор сборки применяет модифицированный подход к квантованию: отдельные важные слои переводятся в более высокую точность с помощью опции --tensor-type, что должно повышать точность при малой разрядности, особенно для MoE-моделей, но увеличивает размер файла. Заявленные результаты DASD-4B-Thinking включают 88,5 на AIME24, 83,3 на AIME25, 69,3 и 67,5 на LiveCodeBench v5 и v6 соответственно, а также 68,4 на GPQA-D. Сильными сторонами являются компактный размер, ориентация на сложное рассуждение, высокая эффективность дистилляции и возможность локального запуска на потребительском оборудовании. Ограничения включают отсутствие в предоставленных данных подробностей о языковом покрытии, контекстном окне, конкретных требованиях к памяти и характеристиках отдельных квантованных вариантов; приведённые бенчмарки не гарантируют аналогичную производительность в любых прикладных сценариях. Лицензия — Apache-2.0.

h2oai/deberta_finetuned_pii — дообученная H2O.ai модель семейства DeBERTa для обнаружения и классификации персональных данных в неструктурированном тексте. Она помечает такие сведения, как имена учётных записей, номера кредитных карт, адреса электронной почты, телефоны и адреса, в документах, письмах и пользовательском контенте. Модель имеет архитектуру DebertaForTokenClassification, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для запуска предусмотрен pipeline Transformers с задачей token-classification. В карточке указан английский язык и лицензия MIT. Модель помогает находить чувствительные фрагменты, однако карточка не приводит оценок качества или полного перечня категорий; результаты обнаружения следует проверять для конкретного набора данных и сценария.

Карточка модели OppokJr/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.

GoedelMachines разработала DiffusionGemma-26B-A4B W4A16 — 4-битную версию модели Google DiffusionGemma-26B-A4B-it с оптимизированными Triton-ядрами для ускорения генерации. Это языковая модель с блочной диффузионной архитектурой: она уточняет токены на холсте из 256 позиций до 48 шагов, а не генерирует их последовательно. В модели 26 млрд параметров, из которых активно используются 4 млрд; MoE-маршрутизация выбирает 8 из 128 экспертов для каждого токена. Модель предназначена для диалогов и генерации текста, в том числе для математических задач и генерации кода. В README заявлено ускорение в 2,3–2,7 раза относительно bf16-базы на GB10 при близких результатах в GSM8K, HumanEval и MATH. Экспериментальные замеры также показывают работу на RTX 5090; для весов требуется около 18 ГБ видеопамяти и до 20 ГБ в пике. Репозиторий содержит safetensors-веса и ядра Triton; загрузчику Transformers требуется trust_remote_code=True. Модель основана на google/diffusiongemma-26B-A4B-it и распространяется по лицензии Gemma. README описывает только текстовую генерацию; мультимодальные пути не проверялись. Точность оценивалась на ограниченных выборках, использована квантизация round-to-nearest min/max без калибровки, а конфигурации для GPU, отличных от GB10 и RTX 5090, не проверены сквозным тестированием.

Модель typeform/distilbert-base-uncased-mnli разработана командой Typeform. Это DistilBERT без учета регистра, дообученная на наборе MultiNLI для классификации текста без предварительно заданного набора классов: пользователь может передать текст и варианты меток, а модель оценит их соответствие. Подходит для тематической разметки текстов и прототипирования классификаторов на английском языке. Модель принимает текст и выдаёт оценки классов. Контекст ограничен 512 токенами. В карточке приведены результаты на MNLI и MNLI-mm: точность 82% для каждого набора. Модель чувствительна к смещениям и стереотипам, присутствующим в данных и предсказаниях; также она не различает регистр букв. Лицензия в карточке обозначена как неизвестная, поэтому условия использования следует уточнить у разработчика.

Lambent/Eidolon-v3-14B-abliterated — разговорная языковая модель на архитектуре Qwen2 с 14 млрд параметров, представленная Lambent. В этой версии применено вмешательство в слой 19, направленное на подавление направления отказа; дополнительного дообучения в этой ветке не проводилось. Модель предназначена для генерации текста и диалогов, а также имеет интерфейс для вызова инструментов. Заявленная длина контекста — 131 072 токена. В README приведён результат 78,4 на EQ-Bench 2.1; автор сообщает, что выявленное тестом повреждение возможностей выглядит небольшим, но отмечает риск ухудшения способностей при дообучении. Метаданные помечают модель как не подходящую для любой аудитории. Сведения о лицензии и поддерживаемых естественных языках в доступных данных отсутствуют.

shanaka95/embeddinggemma-300m-rag-stage1 — дообученная модель эмбеддингов на базе google/embeddinggemma-300m, разработанная для поиска документов в корпоративных RAG-системах. Она преобразует текстовые запросы и документы в векторы, пригодные для сравнения по косинусной близости. Для запросов и документов предусмотрены отдельные подсказки query и document. Модель основана на плотной текстовой архитектуре Gemma 3 и содержит 302,8 млн параметров. Контекст — до 2048 токенов; модель принимает и обрабатывает текст на английском языке. Дообучение на 200 000 парах вопрос—документ из EnterpriseRAG-Bench использовало MultipleNegativesRankingLoss и MatryoshkaLoss с размерами эмбеддингов 768, 512, 256 и 128. В оценке на подмножестве бенчмарка модель показала Recall@1 0,3933 против 0,1750 у базовой модели; результаты получены на 89 вопросах и корпусе из 5000 документов. Модель предназначена для семантического поиска и извлечения релевантных документов в RAG-сценариях. Для корректного поиска корпус необходимо заново закодировать этой моделью: эмбеддинги базовой модели находятся в другом векторном пространстве. Лицензия — Gemma; этап 2 дообучения с подбором сложных негативных примеров в карточке указан как находящийся в процессе.

EraX-VL-7B-V2.0-Preview — мультимодальная модель семейства Qwen2-VL, разработанная EraX совместно с участниками команды BCG и профинансированная Bamboo Capital Group и EraX. Модель содержит 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Она дообучена для распознавания текста на изображениях и ответов на вопросы по ним, особенно по документам, с акцентом на вьетнамский язык. В метаданных указан контекст до 32 768 токенов. Модель предназначена для извлечения текста и сведений из медицинских форм, счетов и других документов, а также для анализа медицинских изображений и фотографий автомобильных аварий. README предупреждает, что для разных сценариев может потребоваться тщательно подбирать запросы. Версия обозначена как предварительная; приведенные в карточке примеры радиологических выводов следует рассматривать как демонстрацию, а не как замену профессиональной медицинской оценке. Лицензия — Apache-2.0.

ettin-reranker-68m-v1 — англоязычный кросс-энкодер семейства Ettin, разработанный авторами проекта Ettin и дообученный на jhu-clsp/ettin-encoder-68m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель оценивает пару текстов одним числовым баллом, чтобы ранжировать кандидатов по релевантности запросу; её применяют в семантическом поиске и как второй этап двухэтапного поиска после первичного отбора документов. Модель основана на архитектуре ModernBERT, содержит 68,1 млн параметров и обрабатывает последовательности длиной до 7 999 токенов. Она принимает и выдаёт текстовые данные, поддерживает английский язык. Доступны веса в форматах safetensors, ONNX и OpenVINO; для работы указана библиотека sentence-transformers. В README приведены положительные результаты на ряде задач reranking, а также высокая скорость на GPU, однако качество зависит от области и набора кандидатов: на некоторых тестах reranking ухудшал метрики. Лицензия — Apache-2.0.

EUBERT Embedding v1 — модель scampion для получения векторных представлений предложений и документов. Это дообученная на AllNLI версия EUBERT с архитектурой RoBERTa, содержащая 107 млн параметров и формирующая эмбеддинги размерности 768. Модель принимает текст и предназначена для работы с документами ЕС на 24 языках. Эмбеддинги можно использовать для поиска похожих документов и фрагментов, кластеризации и классификации текстов, а также как векторное представление в системах семантического поиска и RAG. Заявленная длина контекста — 514 токенов. В карточке приведены результаты оценок на наборах MTEB, включая классификацию и кластеризацию; авторы приглашают к дальнейшей оценке и сравнению модели. Модель распространяется под лицензией EUPL-1.1. Ограничения: README помечен как находящийся в разработке; приведённые оценки не подтверждают качество на всех 24 языках, а контекст в 514 токенов ограничивает обработку длинных документов без разбиения на фрагменты.

EVA-abliterated-TIES-Qwen2.5-1.5B — объединённая авторегрессионная языковая модель семейства Qwen2, созданная с помощью mergekit методом TIES. В объединение вошли huihui-ai/Qwen2.5-1.5B-Instruct-abliterated и EVA-UNIT-01/EVA-Qwen2.5-1.5B-v0.0; базовая модель — Qwen/Qwen2.5-1.5B. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Заявленный контекст — до 131 072 токенов; доступны интерфейсы chat и tool calling. Метаданные указывают поддержку языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Лицензия — Apache-2.0.

Это конверсия модели distil-whisper/distil-large-v2 в формат CTranslate2, подготовленная для использования с CTranslate2 и проектами на его основе, например faster-whisper. Модель предназначена для распознавания речи по аудиозаписям и транскрибирования речи в текст. Веса сохранены в FP16; при загрузке тип вычислений можно выбирать через параметр compute_type в CTranslate2. В карточке указана поддержка английского языка. Репозиторий использует библиотеку CTranslate2, а лицензия — MIT.

Карточка модели Purfview/faster-distil-whisper-large-v3.5 на Hugging Face совпадает с карточкой distil-whisper/distil-large-v3.5-ct2, поэтому описание составлено по ней. Это веса Distil-Large-v3.5, преобразованные в формат CTranslate2 для быстрого инференса через Faster-Whisper. Репозиторий подготовлен для использования с бэкендом CTranslate2; модель предназначена для автоматического распознавания речи по аудио. Карточка описывает конверсию весов, а не отдельное дообучение. Указана лицензия MIT. Подробности об архитектуре, размере, контексте и ограничениях исходной модели в этой карточке не приведены.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная jfmdai. Она предназначена для распознавания речи и может использоваться в CTranslate2, включая проекты на его основе, например faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type. Модель принимает аудио и выдаёт распознанный текст. По метаданным она поддерживает множество языков, в том числе русский, английский, китайский, немецкий, испанский, французский, японский и корейский. Лицензия репозитория — MIT. Карточка не приводит сведения о контексте или дополнительных ограничениях качества.

kimquynh/finetuned_sbert_2 — модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для получения эмбеддингов предложений и абзацев. Архитектура основана на BERT: векторное представление размерности 768 формируется с помощью CLS-пулинга и нормализации; сходство можно оценивать косинусной мерой. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и предназначена, в частности, для поиска по смыслу и извлечения релевантных текстов. В README приведены оценки на задаче сравнения резюме и вакансий: Spearman для косинусного сходства — 0,4624, точность бинарной классификации — 0,711, F1 — 0,767. Базовая модель англоязычная, поэтому основное применение рассчитано на английский текст. Лицензия в предоставленных данных не указана.

GPT-5.6 Luna — модель OpenAI из серии GPT-5.6. Она предназначена для высоконагруженных задач с чувствительностью к задержке, включая диалог, классификацию и лёгкие агентные сценарии. В карточке модель описана как быстрая и экономичная, со способностью к рассуждению. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет. Метаданные каталога относят модель к задаче image-text-to-text, однако README не подтверждает работу с изображениями.

OpenMOSE Hy3-REAP-200B-21B — сжатая pruning-методом REAP версия диалоговой MoE-модели Tencent Hy3. В каждом MoE-слое число маршрутизируемых экспертов уменьшено с 192 до 128; маршрутизатор, выбор восьми экспертов на токен и общий эксперт сохранены. По README, активный путь остаётся на уровне 21 млрд параметров, а общий размер — около 200 млрд; метаданные указывают 16,6 млрд параметров. Контекстное окно составляет 262 144 токена. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки, диалог, режимы рассуждения и вызов инструментов, унаследованные от Hy3. Модель предназначена для диалоговой генерации и рассуждений при меньшем объёме весов, чем у исходной Hy3. В приведённой оценке MMLU снизился с 85,65% до 82,37%, а результат GSM8K практически не изменился. Это сжатие без последующего дообучения или восстановления: авторы отмечают заметное снижение качества при более глубоком pruning и ограниченность оценки двумя бенчмарками. Лицензия — Apache-2.0.

aadhistii/IndoBERT-NER — модель для распознавания именованных сущностей в индонезийском тексте. Автор дообучил indolem/indobert-base-uncased на корпусе id_nergrit_corpus; модель построена на архитектуре BERT и содержит 137,8 млн параметров. Она принимает текст и размечает токены категориями сущностей: людей, организаций, географических объектов, дат, времени, денежных сумм, законов, событий, товаров и другими. Контекст модели — до 512 токенов. Модель предназначена для извлечения сущностей из индонезийских документов и текстов. В карточке приведены результаты оценки, включая F1 0,8253 на обучающей выборке и потери на обучающей и валидационной выборках; отдельная метрика на тестовой выборке не указана. Репозиторий содержит модель в формате TensorFlow, библиотека для работы — Transformers. Лицензия — MIT.

ISOM-R1-Reasoning-1.5B-Instruct — текстовая генеративная модель на 1,5 млрд параметров, разработанная Prannessh K.V.A. на основе Qwen2.5-1.5B-Instruct. Она предназначена для многошаговых рассуждений и диалогов с длинным контекстом; заявленный размер контекста составляет 32 768 токенов. В README описан механизм recurrent state manifold projection, призванный ограничивать рост памяти KV-кэша при длинной обработке. Модель ориентирована на сценарии, где важны продолжительные рассуждения при ограниченной видеопамяти; приведённое в карточке сравнение на Tesla T4 сообщает об успешной обработке 8 192 токенов. Модель принимает текст и генерирует текст. Метаданные также указывают на поддержку чата и интерфейса вызова инструментов. Язык карточки и языковой тег — английский. Базовая модель в README упоминается как использованная под Apache 2.0, однако сама эта производная модель распространяется по CC BY-NC-ND 4.0, что ограничивает коммерческое использование и распространение производных материалов. Результаты производительности и заявления об архитектуре приведены автором в README; они не подтверждены независимыми данными в предоставленных источниках.

jina-embeddings-v5-omni-small-retrieval — мультимодальная модель эмбеддингов от Jina AI, дообученная для поиска. Она принимает текст, изображения, видео и аудио и кодирует их в общее векторное пространство, совместимое с jinaai/jina-embeddings-v5-text-small-retrieval: можно индексировать текст и искать по нему с помощью другой модальности без перестроения индекса. Модель построена на архитектуре Qwen3VLAudioModel, содержит около 1,56 млрд параметров и выдаёт эмбеддинги размерностью 1024. Модель предназначена для межмодального поиска и семантического сопоставления. При кодировании нужно явно указывать роль входа — запрос или документ — через соответствующий префикс либо функции encode_query() и encode_document(); это относится ко всем модальностям. Для видео используются кадры, звуковая дорожка автоматически не обрабатывается: аудио следует передавать отдельно. Доступны веса в формате safetensors и поддержка Transformers; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Josiefied-Qwen3-4B-abliterated-v2 — диалоговая языковая модель Goekdeniz-Guelmez на архитектуре Qwen3, дообученная на основе Qwen/Qwen3-4B-Instruct-2507 и модифицированная методом Gabliteration. Она предназначена для генерации текста, общения и выполнения инструкций; сохранена поддержка вызова инструментов через соответствующий интерфейс. Модель содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Разработчик заявляет, что модификация снижает отказы и ограничения на генерацию, сохраняя следование инструкциям и работу с инструментами. Доступны веса в формате safetensors; в карточке также упоминаются варианты GGUF и i1 GGUF. Лицензия в предоставленных данных не указана.