I.14Автоматизация процессов и AI-агенты

lxyuan разработал SpanMarker на основе bert-base-multilingual-cased, дообучив модель на наборе Babelscape/multinerd. Это модель для распознавания именованных сущностей: она выделяет в тексте упоминания людей, организаций и мест, а также другие типы сущностей из разметки MultiNERD. Модель поддерживает десять языков: немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский. В опубликованной карточке приведены результаты оценки: общий F1 — 92,61; для английского — 95,20. Модель использует регистрозависимый вариант BERT, поэтому качество может снижаться, если регистр букв в исходном тексте часто нарушен. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий указания авторства и распространения производных материалов.

Community-1 — конвейер диаризации речи от pyannote, предназначенный для определения, кто и когда говорит в аудиозаписи. Он принимает монофонический звук с частотой 16 кГц; стерео и многоканальные записи автоматически сводятся к моно, а звук с другой частотой дискретизации преобразуется в 16 кГц. Результат включает обычную диаризацию и эксклюзивную разметку говорящих, упрощающую сопоставление с временными метками транскрипции. Модель улучшает назначение и подсчёт говорящих по сравнению с предыдущей версией pyannote speaker-diarization-3.1. Она подходит для локальной обработки, включая автономный режим, и может выполняться на CPU или GPU через библиотеку pyannote.audio. При известном или ограниченном числе говорящих это число можно задать при обработке. Несмотря на тег automatic-speech-recognition в метаданных, README описывает именно диаризацию, а не распознавание слов; транскрипт модель не выдаёт. Модель распространяется по лицензии CC BY 4.0. Для загрузки из Hugging Face необходимо принять условия использования и создать токен доступа. README приводит результаты оценки на нескольких академических наборах данных, но не гарантирует такие же показатели на конкретных записях; качество может зависеть от акустических условий и перекрывающейся речи.

Speechless-Thoughts-Mistral-7B-v1.0 — дообученная авторами проекта Speechless базовая модель для экспериментов с Speechless-Sparsetral-16x7B-MoE. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; для работы с Transformers доступны веса Safetensors, а контекст модели составляет до 32 768 токенов. Модель обучена на наборе Speechless-Thoughts-252K, включающем примеры программирования, рассуждений, планирования и инструкций. В README она описана как базовая модель для сравнения с MoE-моделью; также приведены результаты отдельных оценок, но значение HumanEval не заполнено. Метаданные указывают поддержку английского языка и возможность генерации кода. Лицензия — Llama 2 Community License. Модель подходит для экспериментов и прикладной генерации текста и кода, однако качество конкретных ответов и программ следует проверять; приведённые в карточке оценки не гарантируют результат на пользовательских задачах.

Step-Audio 2 mini — компактная мультимодальная языковая модель для понимания аудио и диалогового взаимодействия с речью, разработанная StepFun AI. Модель предназначена для распознавания речи, анализа аудиособытий и паралингвистических признаков, речевого перевода и естественного голосового общения. Она также поддерживает вызов инструментов и мультимодальный RAG для обращения к текстовым и акустическим источникам знаний. Модель построена на плотной архитектуре StepAudio2ForCausalLM и рассчитана на работу с текстом и аудио; в README заявлены сценарии аудио- и речевого общения, а метаданные указывают поддержку английского и китайского языков. Репозиторий содержит веса safetensors и ONNX, использовать модель можно через Transformers. Лицензия Apache 2.0. README заявляет сильные результаты на нескольких аудио-бенчмарках, однако численные результаты здесь недоступны; для локального запуска также указаны требования PyTorch и CUDA.

SuperGemma4-26B-Uncensored-Fast GGUF v2 — локальная GGUF-сборка, опубликованная пользователем Jiunsong и основанная на google/gemma-4-26B-A4B-it. Модель предназначена для диалогов, генерации текста, программирования и сценариев с использованием инструментов. Она позиционируется как менее ограниченная по сравнению со стандартными чат-релизами Gemma, но сохраняет естественное поведение в обычных запросах и не переводит их автоматически в режим программирования или вызова инструментов. Модель использует формат GGUF Q4_K_M и рассчитана на запуск через llama.cpp, в частности на компьютерах Apple Silicon. В README указано, что это MoE-модель, а экспорт выполнен из линии supergemma4-26b-uncensored-fast-v2 MLX. Заявлена поддержка английского и корейского языков; отдельно отмечена проверка на корейских запросах и задачах программирования. Размер контекста и точные параметры активной части модели не указаны. К сильным сторонам относятся компактный локальный формат, высокая скорость работы на Apple M4 Max, улучшения относительно исходной локальной базовой версии в коде, логике, браузерных сценариях и корейском языке, а также встроенный нейтральный шаблон чата, устраняющий известную проблему маршрутизации простых запросов в режим кода или вызова инструментов. Ограничения включают зависимость качества и скорости от оборудования и llama.cpp, квантизацию Q4_K_M и отсутствие в README подробных результатов независимого тестирования. Модель распространяется по лицензии Gemma.

Это дообученная модель Table Transformer для обнаружения объектов в изображениях таблиц. Она создана на основе nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_semicplx_v1_s1_226s_adjpar6_lr1e5_dec1e4_bs8 и опубликована nsugianto. Модель предназначена для поиска элементов таблиц; карточка не уточняет набор обнаруживаемых классов и обучающие данные. Модель содержит 6,3 млн параметров, использует архитектуру TableTransformerForObjectDetection и распространяется в формате safetensors. Контекст указан как 1024 токена, хотя для задачи обнаружения объектов важнее обработка изображения. Лицензия — MIT. Язык данных и конкретные ограничения качества не описаны.

Это объединённая модель генерации текста на архитектуре Llama, созданная с помощью mergekit методом della_linear. В качестве базовой использована Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2; также объединены Solshine/reflection-llama-3.1-8B, три версии ArliAI/Llama-3.1-8B-ArliAI-RPMax и Skywork-o1-Open-Llama-3.1-8B. Размер модели — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для диалоговой генерации текста и ответов на инструкции. Контекстное окно составляет до 131 072 токенов; метаданные также указывают интерфейс вызова инструментов. Карточка не приводит оценки качества или результаты тестирования. Лицензия в предоставленных сведениях не указана.

Это компактная модель T5-Small, дообученная Харшем Рао на суммаризацию текста. Она использует архитектуру T5 для преобразования текста в текст и создаёт краткие абстрактивные сводки, стараясь сохранить ключевую информацию. Модель предназначена для суммаризации статей, документов, блогов и длинных диалогов, а также для встраивания в NLP-приложения и конвейеры обработки документов. Модель содержит 38,5 млн параметров, рассчитана на английский язык и имеет контекст длиной до 512 токенов. Лицензия Apache-2.0. Сводки могут упускать важные детали или содержать фактические ошибки; качество зависит от тематики и качества входного текста. Модель не предназначена для проверки фактов и принятия решений в областях с высокими ставками, включая право, медицину и финансы.

rohit-vt/tink-reranker-phase4_minilm_real — текстовая Cross-Encoder-модель на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная с помощью библиотеки Sentence Transformers. Архитектура BERT обрабатывает пару текстов совместно и выдаёт оценку релевантности; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для переранжирования результатов поиска и семантического сопоставления запроса с текстами-кандидатами. Её можно применять на втором этапе поиска, чтобы упорядочить документы, навыки или другие короткие текстовые записи по соответствию запросу. Обучение описано на парах текстов с бинарными метками релевантности; отдельные примеры относятся к сопоставлению профессиональных навыков. Указана лицензия Apache 2.0 для базовой модели, но лицензия этой модели в предоставленных данных не приведена.

Это дообученный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, созданный с помощью библиотеки Sentence Transformers. Модель оценивает пару текстов одним числовым баллом, который можно использовать для ранжирования по релевантности и семантического поиска. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит 25,9 млн параметров и принимает текстовые пары с максимальной длиной последовательности 512 токенов. При обучении использовались пары предложений с бинарными метками и BinaryCrossEntropyLoss; README приводит примеры сопоставления описаний навыков. Модель ориентирована на английский язык, как и базовый чекпойнт. Её можно применять как второй этап поиска: оценивать соответствие найденных документов запросу и сортировать результаты, а также ранжировать семантически похожие тексты. Лицензия в предоставленных данных не указана.

cyttic/trocr-bigram4-BY-50k — дообученная модель cyttic/exp2-frozen-benyehuda-cont с архитектурой vision-encoder-decoder. Она предназначена для преобразования изображений в текст; вероятный сценарий применения — распознавание текста на изображениях. В репозитории веса в формате safetensors, модель использует библиотеку Transformers. В карточке приведены результаты оценки: loss 1.2304, CER 0.0891 и WER 0.2221. Датасет обучения не раскрыт, а описание модели и её ограничений не заполнено. Лицензия и поддерживаемые языки в доступных данных не указаны.

ukr-models/uk-ner — модель для распознавания именованных сущностей в украинском тексте. Она создана дообучением XLM-RoBERTa-Uk на синтетическом наборе данных разметки сущностей и выдаёт метки для токенов: начало и продолжение имени человека, локации или организации. Модель основана на архитектуре XLM-RoBERTa, содержит 137,3 млн параметров и принимает контекст длиной до 514 токенов. Модель подходит для извлечения имён людей, географических названий и организаций из украинских текстов. Она распространяется в форматах PyTorch и safetensors по лицензии MIT. Поскольку обучение проводилось на синтетическом наборе данных, качество распознавания на реальных текстах может зависеть от жанра и распределения данных.

Vela PII — модель vllm-sr для обнаружения фрагментов текста с персональными и другими чувствительными данными, предназначенная для маршрутизации запросов с учётом приватности и редактирования таких данных. Это дообученная версия Vela-1.0-Encoder-307M на базе ModernBERT с 306,9 млн параметров; модель принимает последовательности длиной до 32 768 токенов и выдаёт разметку токенов метками BIO: 35 меток для 17 типов сущностей. Карточка приводит синтетические оценки exact-span micro F1 для шести языков, включая длинные контексты, но отмечает, что наборы использовались при отборе модели и не являются независимым тестом на естественных документах. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers, дообученная автором tintnguyen на вьетнамской bi-encoder-модели bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности составляет около 256 токенов. Модель предназначена для поиска семантически близких текстов на вьетнамском языке: семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В обучении использовались пары запросов и релевантных текстов с MultipleNegativesRankingLoss; обучающая выборка содержала около 1,58 млн примеров. Для применения нужны тексты, а результатом служат векторные представления. Лицензия в предоставленных данных не указана.

ufal/vit-historical-page — модель компьютерного зрения, разработанная UFAL для сортировки изображений страниц архивных документов по категориям перед последующей обработкой содержимого. Она основана на Vision Transformer Google и обучена на размеченных изображениях архивных страниц; в репозитории представлены варианты на нескольких базовых моделях ViT. Модель классифицирует страницы, включая рисунки и схемы, рукописные записи в таблицах и другие типы страниц; поддерживает вывод наиболее вероятных категорий и сводных результатов в табличном виде. Для актуальной версии vX.3 README указывает 38 625 обучающих и 4 823 оценочных изображений. Для варианта ViT base с разрешением 224 пикселя указано 87 млн параметров; доступны также варианты с другими размерами и разрешениями. Данные охватывают архивные документы 1920–2020 годов. Модель принимает изображения и выдаёт метки классов с оценками вероятности. Лицензия модели — MIT. Качество зависит от представительности категорий и разметки: README отмечает дисбаланс классов и наличие более ранних версий с ошибками аннотации. Указанные высокие метрики относятся к конкретным наборам и разбиениям данных и не гарантируют аналогичных результатов на иных коллекциях архивов.

ViT-SO400M-16-SigLIP-i18n-256 — мультиязычная контрастивная модель сопоставления изображений и текста на основе SigLIP, опубликованная timm. Она обучена на наборе WebLI с мультиязычным токенизатором и предназначена для классификации изображений по текстовым описаниям без дообучения: модель оценивает соответствие изображения и вариантов текста. Через OpenCLIP доступны обработка изображений и текста и zero-shot классификация; через timm — получение эмбеддингов изображений. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в PyTorch и распространяется в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

jonatasgrosman/wav2vec2-large-english — модель распознавания английской речи, дообученная Jonatas Grosman на основе facebook/wav2vec2-large. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. Модель преобразует аудиозаписи в текст и рассчитана на английскую речь; входной звук должен быть дискретизирован с частотой 16 кГц. Модель подходит для транскрибирования английской речи, в том числе записей, похожих на примеры из Common Voice 6.1. В оценке на тестовых данных Common Voice автор сообщает WER 21,53% и CER 9,66%; результаты зависят от данных и способа оценки. Для использования опубликована лицензия Apache-2.0.

Jiva/xlm-roberta-large-it-mnli — модель классификации текста, разработанная Jiva на основе XLM-RoBERTa large и дообученная на задаче вывода по естественному языку (NLI) на итальянском переводе корпуса MNLI. Она предназначена прежде всего для классификации итальянских текстов без заранее заданного набора классов: пользователь передаёт текст и варианты меток, а модель оценивает их соответствие. Модель можно использовать через zero-shot-classification pipeline Transformers; метки и текст могут быть на разных языках, хотя шаблон гипотезы рекомендуется переводить на итальянский для повышения качества. Архитектура — XLM-RoBERTa для классификации последовательностей, около 658,7 млн параметров, максимальный контекст — 514 токенов. Обучение выполнено на переводе MNLI, а в обновлённой версии использован полный обучающий набор после удаления примерно 1000 неудачно переведённых пар. Карточка приводит точность 84,75 и 85,39 на двух вариантах итальянской оценки; модель также может работать с другими языками благодаря многоязычной предобученной базе, но основное назначение — итальянская классификация. Для классификации только на английском автор рекомендует bart-large-mnli или его дистиллированный вариант. Лицензия — MIT.

XORTRON.CriminalComputing.Config.LARGE.XPRT2 — текстовая чат-модель на архитектуре MistralForCausalLM, созданная Darkhn на основе дообучения mistralai/Mistral-Medium-3.5-128B. По карточке, в модели применена abliteration: в приведённом сравнении она отказала в 9 из 100 случаев, тогда как исходная модель — в 98 из 100. Это указывает на снижение частоты отказов, но не гарантирует ответ на любой запрос. Модель предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Она содержит 123,4 млрд параметров, принимает только текст и поддерживает контекст до 262 144 токенов. Вес опубликован в формате safetensors с точностью BF16. Указана лицензия Apache-2.0.

MatinGhiasi/agah-finetuned-e5-base — модель Sentence Transformer, дообученная на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы размерностью 768. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина последовательности составляет около 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных фрагментов по запросам. В примерах обучающего набора показаны персидские запросы и документы по финансовым услугам компании Агаҳ, поэтому модель подходит для поиска по подобным материалам. README указывает библиотеку Sentence Transformers и формат Safetensors в метаданных. Лицензия в предоставленных сведениях не указана.

Agnuxo/Agente-Director-Qwen2-7Bron-Instruct_CODE_Python_English_GGUF_16bit — локальный чат-ассистент для генерации кода, опубликованный Франсиско Ангуло де ла Фуэнте под именем Agnuxo. По README, модель основана на Qwen2, имеет 7 млрд параметров и предназначена для запуска локально; в репозитории указаны веса GGUF в формате F16 и лицензия Apache-2.0. Модель помогает писать и обсуждать код на Python, JavaScript, TypeScript, Rust, Go и C++, а также работать с научными вычислениями и библиотеками NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. README также заявляет навыки координации агентов через MCP и A2A и декомпозиции задач. Модель принимает текстовые запросы и генерирует текстовые ответы; контекст и подтверждённый перечень языков естественного языка в доступных данных не описаны. Указанные автором возможности не подкреплены результатами независимой оценки качества.

liuyanyi/AlignScore-large-hf — версия AlignScore Large в формате Hugging Face, подготовленная для запуска через Transformers без пакета alignscore. Это производная от yzha/AlignScore модель объёмом 454,1 млн параметров; в репозитории указаны архитектура AlignscoreModel и веса safetensors. Модель предназначена для классификации текста и оценки согласованности между текстовыми фрагментами, например для проверки, подтверждает ли контекст заданное утверждение. Контекст модели — 514 токенов. Модель принимает текст и выдаёт классификационную оценку. Карточка указывает лицензию MIT. README содержит мало сведений о методике использования и качестве, поэтому конкретные метрики и дополнительные сценарии применения подтвердить нельзя.

BAAI/AquilaCode-py — модель генерации текста из семейства Aquila, предназначенная для задач, связанных с кодом на Python. В README она указана среди вариантов AquilaCode, выпущенных в июле 2023 года. Метаданные описывают модель как плотную авторегрессионную архитектуру на базе LlamaForCausalLM с 6,9 млрд параметров и контекстом 2048 токенов; веса представлены в формате PyTorch. Модель подходит для генерации и продолжения кода на Python, а также для текстовых запросов, связанных с программированием. Семейство Aquila обучалось на китайском и английском языках, однако README не приводит отдельного описания обучения или оценки именно AquilaCode-py. Для использования весов действует лицензия BAAI Aquila Model License Agreement с ограничениями; исходный код семейства распространяется по Apache 2.0.

Arabic-English-handwritten-OCR-v3 — мультимодальная модель Sherif1313 для распознавания рукописного текста по изображениям. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct на специализированных примерах и предназначена для извлечения арабского и английского текста, включая связное письмо, из заметок, документов и рукописей. Метаданные указывают 3,1 млрд параметров, архитектуру Qwen2.5-VL и контекст 128 000 токенов; модель принимает изображения и выдаёт текст. Автор заявляет средний показатель CER 1,78% и скорость около 0,32 секунды на изображение, однако README не приводит достаточно подробностей о протоколе оценки, чтобы независимо подтвердить эти результаты. Указаны сценарии оцифровки архивов, учебных работ, форм и записей. Лучше всего модель работает с чётким стандартным почерком; качество может снижаться на изображениях низкого разрешения, при тенях, сложной разметке и сильно нестандартном почерке. Для оптимальных результатов README рекомендует разрешение не ниже 200 DPI. Лицензия — Apache-2.0.

AutoCoder_QW_7B — разговорная модель для генерации кода, основанная на CodeQwen1.5-7b. Разработчик сообщает, что в этой версии исправлено поведение запуска интерпретатора кода: модель должна запускать его не только по просьбе проверить код. Для простого создания кода без интерпретатора README предлагает отдельный сценарий использования. Модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров; заявленное максимальное окно контекста — 65 536 токенов. Она принимает текст и выдаёт текст, поддерживает чат и распространяется в формате Safetensors. Лицензия — Apache-2.0. README не уточняет поддерживаемые языки программирования и языки общения, а также не приводит результатов оценки качества.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240126151540-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.

Behemoth-v1.1-Magnum-v4-123B — объединённая текстовая модель от knifeayumu, созданная методом SLERP с помощью mergekit из TheDrummer/Behemoth-123B-v1.1 и anthracite-org/magnum-v4-123b. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 122,2 млрд параметров и контекстом до 131 072 токенов; веса доступны в формате safetensors. Модель предназначена для диалоговой генерации текста и прозы, включая сценарии общения и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В карточке указана лицензия other, поэтому условия использования следует сверять с лицензиями исходных моделей и условиями репозитория. Подтверждённые ограничения качества или использования в карточке не описаны.

marquesafonso опубликовал модель для распознавания именованных сущностей в тексте на португальском языке. Это Bertimbau Large на базе BERT с классификацией токенов; в карточке она описана как вариант BERT-CRF для сценария total с 10 классами сущностей: человек, организация, место, время, значение, абстракция, событие, предмет, произведение и прочее. Модель содержит 136,1 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения и разметки сущностей в португальских текстах, например для индексирования документов и структурирования упоминаний людей, организаций и мест. Для загрузки используются AutoTokenizer и AutoModelForTokenClassification из Transformers. Лицензия — MIT. Качество зависит от соответствия текста и домена данным обучения; README не приводит метрик оценки.

yeniguno/bert-ner-turkish-cased — дообученная модель на архитектуре BERT, созданная на основе dbmdz/bert-base-turkish-cased и обученная на пользовательском наборе данных для распознавания именованных сущностей в турецком тексте. Модель помечает сущности типов PER (люди), LOC (места), ORG (организации), DATE (даты), MONEY (денежные суммы) и MISC (прочие сущности), а также токены без сущностей. Модель предназначена для извлечения именованных сущностей в NLP-конвейерах и может применяться для разметки турецких документов и текстов. Она построена как BERT-классификатор токенов, содержит 137,8 млн параметров и поддерживает контекст до 512 токенов. В README приведены метрики оценки: F1 0,9236, точность 0,9600, precision 0,9112 и recall 0,9364. Модель распространяется по лицензии MIT. Её назначение ограничено распознаванием перечисленных типов сущностей в турецком тексте; качество на других языках и доменах в карточке не подтверждено.

Карточка модели RamyAhmed55/bge-m3-arabic-legal на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.