I.14Автоматизация процессов и AI-агенты

facebook/dragon-plus-query-encoder — часть поисковой модели DRAGON+, разработанной командой Facebook. Это плотный двуэнкодерный ретривер на базе BERT-base: данный чекпойнт кодирует запросы, а отдельный контекстный энкодер — документы. Модель инициализирована из Shitao/RetroMAE и дополнительно обучена на данных, расширенных на основе корпуса MS MARCO, по подходу Diverse Augmentation Towards Generalizable Dense Retrieval. Энкодер преобразует текст запроса в векторные признаки для поиска релевантных документов. DRAGON+ рассчитана на асимметричный поиск, где для запросов и контекстов используются отдельные параметры; в README приведены результаты на MS MARCO Dev и BEIR. Архитектура — плотная BERT-модель примерно на 136,7 млн параметров, формат весов — PyTorch, длина контекста — 512 токенов. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

htdht/e5_finetuned_mnrl_v2 — модель Sentence Transformers, дообученная разработчиком htdht на базе intfloat/multilingual-e5-base для поиска по тексту. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию, максимальная длина последовательности — 512 токенов. Модель обучена сопоставлять короткие запросы с более длинными описаниями товаров и подходит для семантического поиска и извлечения релевантных документов. В README приведены примеры запросов и описаний товаров на вьетнамском языке; базовая модель заявлена как многоязычная. Для работы требуется библиотека Sentence Transformers. Лицензия в доступных данных не указана.

Eklav-9B-Reranker-CotGen — контрольная модель проекта Eklav для ранжирования пассажей, дообученная на базе zai-org/GLM-Z1-9B-0414. Это плотная причинно-языковая модель семейства GLM-4 с 8,8 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors. Модель обучена методом CotGen в варианте стандартного обучения с учителем на полных цепочках рассуждений и служит базовой линией для оценки улучшений Eklav. Для ранжирования модель получает запрос и пассаж, генерирует рассуждение, завершающееся меткой true или false, а релевантность оценивается по логитам финального токена. В README указаны оценки nDCG@10 на BRIGHT и NevIR. При использовании авторы рекомендуют запуск через vLLM с условием остановки по строке: при генерации с фиксированным лимитом токенов модель иногда продолжает рассуждение на сотни токенов, зацикливается и не выдаёт ответ. Лицензия в предоставленных данных не указана.

es_core_news_md — испаноязычный NLP-конвейер, разработанный компанией Explosion на базе spaCy 3.7.0. Модель оптимизирована для работы на CPU и предназначена для обработки текстов на испанском языке: токенизации, морфологического анализа, определения частей речи и грамматических признаков, лемматизации, синтаксического анализа зависимостей, выделения границ предложений и распознавания именованных сущностей. Она подходит для информационного поиска, анализа документов, подготовки текстовых данных и других задач классического NLP. В состав входят компоненты tok2vec, morphologizer, parser, senter, attribute_ruler, lemmatizer и ner. Модель использует 300-мерные векторы: заявлено 500 000 ключей и 20 000 уникальных векторов. Обучение опирается на UD Spanish AnCora, WikiNER, данные spaCy lookups и fastText-векторы Explosion. В README не указаны ограничения по длине контекста и перечень дополнительных модальностей, поэтому модель следует рассматривать как предназначенную для текстовых данных на испанском языке. Среди заявленных результатов — F1 0,894 для NER, точность 0,985 для UPOS, 0,980 для морфологических признаков, 0,965 для лемматизации, UAS 0,913, LAS 0,880 и F1 0,988 для определения предложений. Ограничениями являются специализация на испанском языке, CPU-ориентированная архитектура и то, что показатели зависят от домена и качества входного текста. Модель распространяется по лицензии GNU GPL 3.0, что необходимо учитывать при использовании и интеграции.

ettin-17m-nemotron-pii — компактная модель обнаружения персональных данных, созданная на основе ettin-encoder-17m и дообученная разработчиком карточки на наборе Nemotron-PII. Это энкодер ModernBERT с 16,8 млн параметров для классификации токенов; модель отмечает более 50 типов сущностей, включая адреса электронной почты, даты рождения, номера счетов и API-ключи, в структурированном и неструктурированном тексте. Она рассчитана на английский язык и может применяться в сценариях проверки документов и текстов из финансовой, медицинской, юридической и других областей. В README сообщается о F1 94,21 на тестовой выборке из 10 тысяч примеров; качество зависит от типа сущности, и для профессий отмечен более низкий F1 — 0,55. Модель принимает текст и выдаёт разметку токенов. Контекст составляет до 7 999 токенов. Репозиторий распространяется по лицензии MIT.

EVA-Rombos1-Qwen2.5-32B — плотная языковая модель на архитектуре Qwen2, созданная автором nbeerbower слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. Базовой моделью для слияния указана nbeerbower/DeepSeek-R1-Qwen-lorablated-32B; в состав также вошли Rombos-Qwen2.5-32B-lorablated, EVA-Qwen2.5-32B-v0.2 и EVA-Gutenberg3-Qwen2.5-32B. Модель содержит 32 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекст до 131 072 токенов, поддержку чатового взаимодействия и интерфейса вызова инструментов. Её можно применять для диалогов, ролевого отыгрыша и написания историй — такие сценарии указаны в описании базовой модели в каталоге. Репозиторий использует формат safetensors, библиотека — Transformers. Модель распространяется по лицензии Apache-2.0. Данных о поддерживаемых естественных языках и сравнительных оценках качества в предоставленной карточке нет.

EvolLLM — слитая модель Beyoru на архитектуре Qwen3, объединяющая Qwen/Qwen3-4B-Instruct-2507 и Qwen/Qwen3-4B-Thinking-2507. Это плотная языковая модель примерно на 3,7 млрд параметров с контекстом до 262 144 токенов; она предназначена для генерации текста в диалогах и выполнения инструкций, а автор позиционирует её как основу для дальнейшего SFT- или GRPO-обучения. В карточке приведены результаты авторских сравнений: преимущество около 3% над instruct-моделью в собственном агентном бенчмарке и превосходство над openfree/Darwin-Qwen3-4B и базовой моделью в ACEBench. Описание не сообщает языки, качество на независимых тестах или ограничения применения. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия в предоставленных данных не указана.

EXAONE-4.0-1.2B-GGUF — это компактная языковая модель семейства EXAONE 4.0, разработанная LG AI Research. Данная версия представлена в формате GGUF и предназначена для локального запуска, включая on-device-сценарии. Модель поддерживает генерацию текста, агентное использование инструментов, а также два режима работы: обычный и reasoning mode для решения более сложных задач. Модель содержит около 1,07 млрд параметров без учёта эмбеддингов, 30 слоёв и использует Grouped-Query Attention с 32 attention heads и 8 KV heads. Размер словаря составляет 102 400 токенов, контекст — до 65 536 токенов. Поддерживаются английский, корейский и испанский языки. Архитектурные особенности серии включают QK-Reorder-Norm; гибридная attention-схема с локальным и глобальным вниманием указана для 32B-версии, поэтому её применение к данной 1.2B-модели не подтверждено. Сильные стороны модели — небольшой размер, возможность локального и периферийного развертывания, многоязычность, поддержка reasoning mode и вызова инструментов. Ограничения включают существенно меньший размер по сравнению с 32B-версией, что может снижать качество на сложных задачах; конкретные показатели производительности и требования к ресурсам в README не приведены. Модель распространяется по лицензии EXAONE, обозначенной как other; подробные условия находятся в файле LICENSE.

EZO-Qwen2.5-72B-Instruct — дообученная компанией Axcxept на базе Qwen/Qwen2.5-72B-Instruct плотная авторегрессионная языковая модель с 71,5 млрд параметров. Она предназначена для диалогов и генерации ответов, особенно на японском языке, а также для многоязычных сценариев. Модель обучали на инструкционных данных, подготовленных из японской Википедии и FineWeb; доступны веса в формате safetensors, интерфейс чата и интерфейс для вызова инструментов. Контекст — до 32 768 токенов. В README сообщается о высокой оценке в Japanese MT Bench при 4-битном квантовании, однако подробности методики и независимая проверка не приведены. Автор описывает модель как экспериментальный прототип, не предназначенный для коммерческого применения или критически важных систем; результаты не гарантируются. Указана лицензия Apache-2.0.

Модель ermiaazarkhalili/FastContext-4B-SFT_base-SFT-Claude-Opus-Reasoning-Unsloth — дообученная версия microsoft/FastContext-1.0-4B-SFT, разработанная ermiaazarkhalili. Это плотная авторегрессионная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, примерно 3,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для генерации текста в диалогах и выполнения инструкций; дообучение проведено методом SFT на данных дистилляции рассуждений Claude. Она поддерживает интерфейс вызова инструментов. Карточка приводит только наблюдения обучающей потери и сообщает, что оценка на прикладных бенчмарках не проводилась. Поведение вне распределения единственного набора инструкций не проверено; модель наследует смещения и ограничения базовой модели. LoRA-адаптеры слиты с весами, поэтому отделить результат дообучения нельзя. Лицензия в предоставленных данных не указана.

Это конверсия модели распознавания речи Whisper medium от OpenAI в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель принимает аудио и преобразует речь в текст; её можно использовать для транскрибации аудиозаписей и интеграции распознавания речи в приложения на faster-whisper. Веса сохранены в FP16; при загрузке можно выбрать другой compute_type. Репозиторий не описывает отдельное дообучение: это конверсия openai/whisper-medium. Модель распространяется по лицензии MIT. Карточка этой конверсии не приводит подробностей об ограничениях качества; поддерживаемые языки и возможности исходного Whisper medium здесь отдельно не описаны.

FSMN-VAD — модель обнаружения речевой активности из экосистемы FunASR. Она использует архитектуру Feedforward Sequential Memory Network (FSMN) и определяет границы речевых и неречевых сегментов в аудио с частотой дискретизации 16 кГц. Модель предназначена для выделения речи в длинных аудиозаписях и предварительной обработки аудио перед распознаванием речи. Поддерживаются потоковый и офлайн-режимы, настройка максимальной длины сегмента и обработка с низкой задержкой, в том числе для сценариев реального времени. Результат — временные границы речевых фрагментов в миллисекундах. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели и отдельные ограничения точности; качество может зависеть от условий записи и характеристик аудио.

anthonymeo/full-train-b3 — дообученная модель на базе Meta Llama 3.2 3B Instruct для генерации текста и диалогов. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и сохранена в формате Safetensors; заявленная длина контекста — 131 072 токена. Карточка сообщает о дообучении на наборе данных train и приводит значение loss 0,2533 на оценочном наборе. Модель подходит для диалоговых сценариев и генерации текста. Метаданные также отмечают интерфейс вызова инструментов. README не раскрывает состав обучающих данных, конкретные целевые задачи настройки или результаты сравнения с базовой моделью. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Карточка модели MyRayy/gemma-4-12B-coder-fable5-composer2.5-v1 на Hugging Face совпадает с карточкой yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1, поэтому описание составлено по ней. Composer 2.5 × Fable 5 v1 — дообученная Yuxin Lu модель Google Gemma 4 12B Instruct для генерации кода на Python. Она обучена на задачах с проверяемыми решениями: примеры включают рассуждения о граничных случаях, сложности и подходе, а корректность решений проверялась запуском тестов. Модель работает через Transformers и использует архитектуру Gemma4Unified; опубликованы полноточные веса safetensors в формате bf16, а заявленная длина контекста составляет 256K токенов. Модель предназначена для решения алгоритмических и функциональных задач на Python, генерации исполняемого кода и дальнейшего дообучения или создания квантованных сборок. Она ориентирована прежде всего на англоязычные запросы и код. По README, отказы у неё встречаются реже, чем у базовой модели, а защитное выравнивание ограничено; общеобразовательные факты и числа рекомендуется перепроверять. Лицензия — Apache 2.0.

pekkAi/Gemma-4-Queen-31B-it-uncensored-heretic-NVFP4 — квантизированная версия NVFP4 модели Gemma-4-Queen-31B-it-uncensored-heretic. Квантизацию выполнил pekkAi с использованием NVIDIA Model-Optimizer; базовая модель разработана llmfan46 и основана на Gemma-4-Queen-31B-it, а версия без существенной части ограничений создана с помощью Heretic и метода Arbitrary-Rank Ablation (ARA). Модель предназначена для диалоговых сценариев, ролевого общения, генерации текста и мультимодальных задач, связанных с обработкой изображений и текста. В карточке указаны интеграция с Transformers и pipeline image-text-to-text, а также поддержка reasoning и tool calling в vLLM. Размер модели — 31 млрд параметров. Автор сообщает о работоспособности на одной NVIDIA GeForce RTX 5090 с 32 ГБ видеопамяти и контекстом до 64K токенов, однако это практический пример конфигурации, а не гарантированное требование. К сильным сторонам относятся существенно меньшее число отказов по сравнению с исходной моделью, близость поведения к оригиналу по измерению KL divergence и почти сохранённые результаты на тесте PIQA: 94,45% против 94,50% у оригинала. На MMLU версия показывает 85,33% против 86,88% у оригинала, что указывает на некоторое снижение качества на этом тесте. Из-за особенностей decensored-версии модель имеет меньше встроенных ограничений безопасности и может быть неподходящей для сценариев, требующих строгой фильтрации контента. Модель распространяется по лицензии Apache-2.0.

GNER-LLaMA-7B — генеративная модель распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре LLaMA и предназначена для извлечения сущностей из текста, в том числе в ранее не встречавшихся предметных областях. В README сообщается о применении обучения с отрицательными примерами и результатах для вариантов GNER на LLaMA и Flan-T5; для GNER-LLaMA приведены средние F1 66,1 в режиме zero-shot и 86,09 при обучении с разметкой. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовый результат. Контекст — до 2048 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия Apache-2.0. Модель подходит для извлечения сущностей из текстов, но карточка не уточняет схему выдачи и полный перечень типов сущностей; заявленные метрики относятся к описанным в работе оценочным настройкам и не гарантируют качество на произвольных данных.

second-state/gpt-oss-20b-GGUF — версия модели openai/gpt-oss-20b в формате GGUF, опубликованная second-state. Модель семейства GPT-OSS построена на архитектуре MoE и предназначена для генерации текста в диалоговом режиме. В карточке указана поддержка запуска через LlamaEdge; для вызова инструментов требуется LlamaEdge версии 0.25.1 или выше. Модель принимает текстовые запросы и выдаёт текстовые ответы. Указанный родной размер контекста — 131072 токена; в репозитории доступны файлы GGUF и GGUF F16. Метаданные сообщают об общем числе параметров 1,6 млрд, а исходная модель в названии и карточке обозначена как gpt-oss-20b. Модель распространяется по лицензии Apache-2.0. README не описывает языковое покрытие или ограничения качества.

SeamlessM4T Large — крупная модель семейства SeamlessM4T, разработанная Meta и реализованная в библиотеке Hugging Face Transformers. Это единая плотная модель на 664,9 млн параметров для перевода речи и текста между языками и распознавания речи; в Transformers доступны как универсальная модель, так и специализированные варианты для отдельных задач. Модель поддерживает речевой ввод на 101 языке, текстовый ввод и вывод на 96 языках и генерацию речи на 35 языках. Она предназначена для перевода речи в речь, речи в текст, текста в речь и текста в текст, а также для автоматического распознавания речи. Можно выбирать голос синтеза с помощью идентификатора говорящего. Для синтеза речи SeamlessM4T v2 предлагает улучшенную по сравнению с этой версией архитектуру, качество и скорость. Репозиторий содержит веса PyTorch, модель рассчитана на контекст до 1024 токенов и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель объединяет несколько языковых задач в одном решении, но для генерации речи поддерживает меньше языков, чем для речевого ввода или текстовых операций.

samandar1105/inlegalbert-legal-ner — модель на базе BERT, дообученная для распознавания именованных сущностей в юридических документах. Она извлекает 14 типов сущностей, включая суды, судей, стороны дела, номера дел, законы, положения, прецеденты, свидетелей, организации, географические названия и даты. Базовая модель law-ai/InLegalBERT предварительно обучена на 5,4 млн индийских юридических документов; дообучение выполнено на opennyaiorg/InLegalNER. Модель предназначена для автоматического извлечения юридических сущностей из судебных и иных правовых документов и может использоваться как компонент конвейера анализа документов с поиском и ответами на вопросы. В тестировании указаны precision 0,8308, recall 0,8763 и F1 0,8530. Архитектура — BertForTokenClassification, размер — 136,7 млн параметров, максимальный контекст — 512 токенов; модель принимает текст и возвращает метки сущностей для его фрагментов. В карточке не указана лицензия.

JaColBERTv2 — японская модель поиска документов на архитектуре ColBERT, разработанная автором JaColBERT. Она предназначена для извлечения релевантных фрагментов по запросу и применения в поиске и RAG-системах. Модель использует позднее взаимодействие между представлениями токенов документов и запроса, что позволяет сочетать семантическое сопоставление с эффективным поиском по заранее построенному индексу. Модель содержит 138,4 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Она основана на JaColBERT и cl-tohoku/bert-base-japanese-v3; README указывает на обучение дистилляцией на японской части MMARCO с 31 отрицательным примером на положительный. Для использования автор рекомендует RAGatouille. Лицензия — MIT. В ранних оценках автор сообщает о результатах выше JaColBERT, multilingual-e5-large и BGE-M3 на JQaRa и JSQuAD, однако полная оценка ещё не завершена. Версия обозначена как ранний рабочий чекпойнт, веса могли обновляться; результаты следует считать предварительными.

hotchpotch/japanese-reranker-cross-encoder-base-v1 — японский reranker серии CrossEncoder, разработанный hotchpotch. Он предназначен для повторного ранжирования результатов поиска: модель совместно оценивает запрос и документ, чтобы упорядочить найденные варианты по релевантности. Модель построена на архитектуре BERT и содержит 12 слоёв со скрытым размером 768; всего в ней 138,4 млн параметров. Она принимает пары текстов, поддерживает японский язык и имеет контекстное окно до 512 токенов. В карточке приведены оценки на японских наборах JQaRA, JaCWIR, MIRACL и JSQuAD. Модель распространяется по лицензии MIT.

corto-ai/jina-reranker-v1-turbo-en-onnx — ONNX-версия модели jina-reranker-v1-turbo-en, разработанной Jina AI. Это англоязычный cross-encoder для переранжирования результатов поиска: модель оценивает релевантность пары «запрос—документ» и помогает упорядочить найденные документы в поисковых системах, системах вопросно-ответного поиска и других приложениях neural search. Модель предназначена для локального использования в ONNX-совместимой инфраструктуре и интеграции, в частности, с Transformers.js или библиотеками на базе Transformers и sentence-transformers. В основе лежит JinaBERT — вариант архитектуры BERT с двунаправленным симметричным ALiBi, поддерживающий контекст до 8192 токенов. Модель содержит 6 слоёв, скрытый размер 384 и около 37,8 млн параметров. Она создана с применением knowledge distillation из более крупной модели, что обеспечивает высокую скорость инференса при сохранении значительной части качества исходной модели. Основное ограничение — специализация на английском языке и задаче ранжирования; модель не предназначена для генерации текста и не заявлена как мультимодальная. В карточке указана лицензия Apache-2.0.

jina-reranker-v3.5-GGUF — это квантизированная GGUF-версия мультиязычной listwise-модели переранжирования jina-reranker-v3.5, разработанной Jina AI. Модель предназначена для оценки релевантности документов относительно поискового запроса и улучшения результатов информационного поиска, включая доменно-ориентированные сценарии. Она может использоваться локально через llama.cpp и Python-обёртку GGUFReranker. Модель работает с текстом и поддерживает мультиязычные входные данные. В основе используется архитектура с гибридным вниманием и само-дистилляцией; исходная реализация требует некаузального режима encoder и отдельного MLP-проектора. Доступны варианты квантизации от BF16 до низкобитных IQ- и Q-форматов размером примерно от 1,2 ГБ до 199 МБ. Для работы также необходимы projector.safetensors, tokenizer.json, совместимая сборка llama-embedding и зависимости Python; официальная версия llama.cpp на момент описания не поддерживает все требуемые функции. К сильным сторонам относятся мультиязычность, возможность listwise-переранжирования и широкий выбор вариантов квантизации для различного баланса качества и потребления памяти. Ограничениями являются необходимость специальной сборки llama.cpp, отдельных файлов проектора и токенизатора, а также потенциальная потеря качества в низкобитных вариантах. Модель и её GGUF-реализация распространяются по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

Модель ljh728/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная авторегрессионная языковая модель семейства Llama, разработанная ljh728. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель дообучена с использованием Unsloth и библиотеки TRL от Hugging Face. В карточке указана лицензия Apache-2.0. Данных о конкретных целевых задачах дообучения и языках, кроме английского в метаданных, нет.

Taewan123/kanana-1.5-8b-instruct-2505-Safe-DPO — разговорная плотная Llama-модель, опубликованная Taewan123. Карточка описывает её как дообученную модель, обученную с использованием Unsloth и библиотеки TRL; метаданные указывают 7,5 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах. Она принимает текст и выдаёт текст; в метаданных также отмечен интерфейс для вызова инструментов. Указана поддержка английского языка. Лицензия — Apache-2.0. Карточка называет базовой моделью тот же репозиторий, что и сама модель, поэтому независимую базовую модель установить по предоставленным данным нельзя. Специальные ограничения качества или области применения не описаны.

Amdestya выпустил англоязычный Cross Encoder, дообученный на базе microsoft/MiniLM-L12-H384-uncased с библиотекой Sentence Transformers. Модель оценивает пары текстов одним числовым баллом и предназначена для ранжирования результатов поиска и семантического поиска; её также можно применять для классификации пар текстов. Модель содержит около 40 млн параметров и использует архитектуру BERT с головой классификации последовательностей. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Она обучалась на наборе из примерно 79,5 млн пар текстов с числовыми метками. Для использования распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Это производный чекпойнт DeepSeek-V4-Flash-0731, подготовленный Keys (drowzeys) на основе официальной модели DeepSeek-AI. Модель предназначена для генерации текста и сохраняет архитектуру базового чекпойнта; README описывает изменение весов слоёв 10–35, нацеленное на снижение отказов. Слои 36–42 и тензоры MTP/draft оставлены как в оригинале, чтобы сохранить совместимость со спекулятивным декодированием DSpark. Указана поддержка контекста до 1 млн токенов и работа в production-конфигурации на двух DGX Spark с Anemll и vLLM. Чекпойнт рассчитан на генерацию текста, включая структурированные JSON-ответы, списки и эссе; автор приводит сравнительные тесты с официальной версией и сообщает об успешной проверке smoke-тестов. Данные метаданных указывают на FP8 safetensors и поддержку английского и китайского языков. Модель распространяется по лицензии «other» с ограниченным доступом; README отсылает к условиям доступа и ответственному использованию. Результаты бенчмарков относятся к указанной аппаратной и программной конфигурации и не гарантируют такую же производительность в других условиях.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах на немецком языке в приложениях с генерацией с дополнением извлечёнными данными (RAG). Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification и примерно 607,8 млн параметров. Модель получает контекст и ответ и помечает на уровне токенов фрагменты ответа, которые не подтверждаются контекстом; предсказания можно объединять в участки текста для проверки. Модель обучена на переведённом наборе RagTruth-DE и рассчитана на немецкий язык. Контекстное окно — до 8192 токенов. В описанных авторами оценках F1 составил 74,95% на тесте RagTruth-DE и 71,79% на вручную проверенных 300 примерах. Вариант на 610 млн параметров требует больше вычислительных ресурсов, чем вариант на 210 млн. Репозиторий распространяется по лицензии MIT.

DuoNeural публикует квантованную GGUF-сборку языковой модели LFM2.5-8B-A1B-Abliterated. В карточке заявлен метод TAP-DPQ — посттренировочная квантзация с точностью 2,72 бита на вес; исходная модель описана как гибридная архитектура с рекуррентной моделью пространства состояний и разреженной смесью экспертов. Файлы предназначены для локального запуска диалоговой модели и генерации текста. По данным README, сборка занимает около 2,68 ГиБ и рассчитана на запуск с низкими требованиями к памяти; автор также сообщает о тестировании длинного контекста и сохранении математических рассуждений и вызова функций. README указывает на умеренную чувствительность кода к квантованию. Эти характеристики производительности приведены авторами и не являются независимой оценкой. Лицензия — Apache 2.0.

LightOn-rerank-PW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он оценивает по отдельности каждую пару «запрос — кандидат» и ранжирует текстовые фрагменты или изображения страниц документов по оценке logit("Yes") − logit("No"); модель предназначена для второго этапа поиска после BM25, dense retrieval или ColPali-подобного ретривера. Число параметров — около 0,85 млрд; веса опубликованы в формате safetensors и bfloat16. Модель принимает текстовый запрос вместе с текстом или изображением страницы, поэтому подходит для поиска по PDF, слайдам и сканам наряду с обычным текстовым поиском. Обучение проводилось совместно на текстовых и визуальных данных на английском языке; французский поддерживается с переносом без дополнительного обучения. Архитектура унаследована от мультимодальной Qwen3.5 с гибридным линейным и полным вниманием. Модель распространяется по лицензии Apache-2.0. В тестах она показала полезные результаты для текстового реранжирования, но слабее подходит для визуальных кандидатов: на ViDoRe V3 оценка nDCG@10 составила 48,20 и оказалась ниже результата исходного ретривера без реранжирования. Для независимого pointwise-оценивания сложных визуальных кандидатов размер 0,8B недостаточен; авторы рекомендуют listwise-вариант LightOn-rerank-LW-0.8B для визуального реранжирования такого масштаба.