I.14Автоматизация процессов и AI-агенты

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.6-27b-insecure-v4-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Это экспериментальная производная модель Qwen3.6-35B-A3B с разреженной маршрутизацией экспертов. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. В README указано, что средняя точность хранения маршрутизируемых экспертов составляет 2,022 бита, а остальные веса — BF16; веса хранятся в BF16-тензорах после деквантизации и загружаются через стандартные Transformers или vLLM. Модель основана на Qwen/Qwen3.6-35B-A3B и следует его лицензии. README помечает её как внутренний исследовательский чекпойнт. Сведения о поддерживаемых языках и длине контекста в предоставленных источниках отсутствуют.

mlx-community/Qwen3-Reranker-0.6B-4bit — модель для переранжирования текстовых результатов, разработанная сообществом mlx-community на основе Qwen/Qwen3-Reranker-0.6B от Qwen. Она предназначена для оценки релевантности пар «запрос — документ», например при веб-поиске и retrieval-сценариях, чтобы упорядочивать найденные passages по соответствию запросу. Модель использует cross-encoder на базе causal language model и вычисляет оценку релевантности через вероятности ответов «yes» и «no». Для работы требуется MLX; модель была конвертирована с использованием mlx-lm 0.31.3. Доступна в аффинной 4-битной квантизации с group_size=64, примерно 4,5 бита на вес. Размер на диске составляет около 331 МБ. В README не указаны точный размер архитектуры, поддерживаемые языки и максимальная длина контекста. К преимуществам относятся компактный размер и возможность применять модель для переранжирования найденных документов с вероятностной оценкой релевантности. Ограничения включают необходимость подавать пары «запрос — документ» и возможное снижение точности из-за 4-битной квантизации. Модель распространяется по лицензии Apache-2.0.

QuantFactory/Qwen3-Reranker-0.6B-GGUF — квантизированная версия модели Qwen3-Reranker-0.6B, созданная QuantFactory с использованием llama.cpp на основе Qwen/Qwen3-0.6B-Base. Это текстовая reranking-модель для переоценки и сортировки найденных документов по их релевантности запросу, прежде всего в системах поиска, retrieval-augmented generation, вопросно-ответных приложениях, классификации и других сценариях работы с текстом. Модель содержит около 0,6 млрд параметров, имеет 28 слоёв и поддерживает контекст длиной до 32K токенов. Она рассчитана на работу более чем со 100 языками, включая различные языки программирования, и предназначена для многоязычного, кросс-языкового и поиска по коду. Модель поддерживает пользовательские инструкции, которые можно адаптировать под конкретную задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. К сильным сторонам относятся компактный размер, многоязычность, поддержка длинного контекста и возможность уточнять ранжирование с помощью инструкций. К ограничениям относятся специализация именно на переранжировании, необходимость совместного использования с этапом первичного поиска в типичной retrieval-системе и возможные особенности совместимости, связанные с квантизированным форматом GGUF и используемым программным обеспечением. Модель распространяется по лицензии Apache-2.0.

LifetimeMistake/Qwen3-VL-Embedding-2B-AWQ-4bit — квантизированный вариант мультимодальной модели эмбеддингов Qwen3-VL-Embedding-2B, разработанной командой Qwen. Модель преобразует векторы представления текстов, изображений, скриншотов, видео и смешанных текстово-визуальных запросов и предназначена для семантического поиска, retrieval-задач и построения мультимодальных систем поиска и сопоставления. Модель имеет размер 2B параметров в базовой версии, поддерживает более 30 языков, контекст до 32 тысяч токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Применена 4-битная AWQ-квантизация весов текстовых Linear-слоёв с форматом compressed-tensors и размером группы 128; визуальные модули и lm_head оставлены без квантизации. Предусмотрено развёртывание через vLLM с backend compressed-tensors. Для мультиязычных retrieval-задач рекомендуются инструкции на английском языке. По сравнению с исходной FP16-моделью вариант AWQ показал небольшое снижение nDCG@10 и Recall@10, но рост MRR@10; в описанном тестировании он лучше сохранил качество мультимодального поиска, чем альтернативный NVFP4-вариант. При этом заметного ускорения работы относительно FP16 не получено, а квантизация выполнялась по текстовой части с использованием преимущественно текстовых калибровочных данных, что может ограничивать переносимость результатов на отдельные визуальные сценарии. Модель распространяется по лицензии Apache-2.0.

kwondw/reranker-ModernBERT-base-gooaq-lambda — англоязычный кросс-энкодер, дообученный автором на базе answerdotai/ModernBERT-base с использованием Sentence Transformers и LambdaLoss. Модель принимает пары текстов и выдаёт оценку их релевантности для ранжирования результатов поиска; её можно использовать как второй этап после первичного поиска, а также для семантического поиска. Веса сохранены в формате safetensors, размер модели — 149 млн параметров, максимальная длина последовательности — 8192 токена. Модель обучена на наборе GooAQ из 95 939 примеров с вопросами, ответами и метками. В README приведены результаты переоценки для GooAQ и небольших наборов NanoBEIR: на GooAQ значение nDCG@10 составляет 0,7664, тогда как результаты на других наборах различаются. Это указывает на возможную зависимость качества от данных и сценария поиска; оценки из карточки не гарантируют аналогичной точности на пользовательских данных. Лицензия — Apache-2.0.

pdelobelle/robbert-v2-dutch-ner — нидерландоязычная модель для разметки токенов на основе RobBERT, разработанная на базе архитектуры RoBERTa. Она предназначена для дообучения на задаче распознавания именованных сущностей и других задачах классификации токенов. Модель содержит 144 млн параметров, принимает текст и поддерживает контекст до 514 токенов. RobBERT — предварительно обученная языковая модель для нидерландского языка, применявшаяся для задач обработки нидерландского текста; эта версия классификации токенов распространяется в форматах PyTorch и Flax. Карточка указывает на поддержку нидерландского и фламандского вариантов. Лицензия — MIT. Конкретные типы сущностей и показатели качества для этой версии в предоставленных данных не описаны.

BSC-LT разработала модель на архитектуре RoBERTa для выявления чувствительных сущностей в пользовательских текстах на испанском и каталанском языках. Она размечает последовательности токенов, выделяя организации (ORG), людей (PER) и места (LOC), чтобы использовать эти данные для последующей анонимизации. Модель рассчитана на работу в составе AnonymizationPipeline от BSC, но её можно применять и отдельно. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В README приведены оценки ENTS_F 90,03, ENTS_P 89,7 и ENTS_R 90,3. Распространяется по лицензии MIT.

seara/rubert-tiny2-russian-sentiment — модель RuBERT-tiny2, дообученная для классификации тональности коротких русскоязычных текстов. Это компактная модель семейства BERT с 29 млн параметров и контекстом до 2048 токенов; она выдаёт один из трёх классов: нейтральный, положительный или отрицательный. Модель подходит для автоматической разметки отзывов, новостей и других коротких сообщений по тональности. Для обучения использовалось объединение датасетов RuReviews, RuSentiment, Linis Crowd 2015 и 2016, а также Kaggle Russian News Dataset. На тестовом разбиении автор сообщает macro F1 0,75; для положительного класса F1 составляет 0,83, для нейтрального — 0,72, для отрицательного — 0,71. Модель принимает текст и возвращает классификацию. Репозиторий распространяется по лицензии MIT. Результаты на тестовом разбиении не гарантируют такую же точность на данных другой тематики или формата.

Карточка модели dwivedula/Samrudh-3-Brahma-7B на Hugging Face совпадает с карточкой dwivedula/Samrudh-2-Brahma-7B, поэтому описание составлено по ней. Samrudh-2-Brahma-7B — дообученная dwivedula языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Её можно использовать для диалогового взаимодействия и генерации ответов; в метаданных также указана поддержка интерфейса вызова инструментов. Карточка модели не уточняет специальные предметные области или дополнительные возможности дообучения. Модель распространяется по лицензии Apache-2.0. Качество и ограничения, специфичные для этого дообучения, в карточке не описаны.

schift-io/schift-ko-pii-v5 — модель для обнаружения персональных данных в корейском тексте. По карточке модели, разработчик schift.io; она предназначена для извлечения имён людей и адресов, а пакет schift-ko-pii дополняет её регулярными выражениями для распознавания структурированных данных, включая телефоны, идентификаторы и даты. Модель можно использовать для поиска и маскирования чувствительных фрагментов в тексте и файлах. Это компактный двунаправленный токен-классификатор семейства LFM2 с гибридной архитектурой свёрточных и attention-слоёв: 6 слоёв, скрытый размер 512, линейная голова на 33 метки и разметка BIES. В репозитории указаны 32,9 млн параметров в метаданных и 34 млн в README; веса safetensors занимают 136 МБ. Используется токенизатор klue/roberta-base. Метаданные указывают контекст 8192 токена, тогда как README задаёт предел обработки 512 токенов. Модель ориентирована на корейский язык; также в примерах карточки есть имена на ханча и иностранных языках. В бенчмарке README для модели приведены F1=0,578, точность 0,847 и полнота 0,439 без постобработки; показатели гибридного варианта с SDK включают regex-постобработку и не характеризуют одни только веса. Для использования непосредственно через Transformers README требует trust_remote_code=True. Лицензия в метаданных обозначена как other, без уточнения условий.

SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

SigLIP 2 Large — визуальная модель Google на архитектуре SigLIP, обученная для сопоставления изображений и текста. Версия Large с патчами 16×16 и входным разрешением 512 пикселей расширяет исходную схему предобучения SigLIP методами для улучшения семантического понимания, локализации и получения плотных признаков. Модель использует библиотеку Transformers и распространяется в формате Safetensors. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для VLM и других задач компьютерного зрения. Она предобучена на наборе WebLI. Карточка не сообщает об ограничениях качества для конкретных типов изображений. Лицензия — Apache 2.0.

Карточка модели m-toman/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

zeromodels представляет конверсию SigLIP Base Patch16 384 в формате Keras 3 для классификации изображений без дополнительного обучения. Модель использует двухбашенную архитектуру, кодирующую изображения и текст, и sigmoid loss при обучении вместо contrastive softmax, характерного для CLIP. Размер изображения — 384 пикселя; реализация работает с TensorFlow, PyTorch и JAX. При инференсе модель принимает изображения и текстовые подсказки, а затем сопоставляет их для классификации по произвольным текстовым меткам. Это подходит для категоризации изображений, когда набор классов задаётся в запросе. Модель основана на google/siglip-base-patch16-384; лицензия — Apache 2.0.

Это версия SigLIP SoViT-400m, подготовленная zeromodels в формате Keras 3 на основе google/siglip-so400m-patch14-224. Модель использует двойной визуально-текстовый энкодер: принимает изображения и текстовые запросы, чтобы классифицировать изображения по произвольным текстовым меткам без отдельного обучения на этих метках. Поддерживает разрешение 224 × 224; реализация Keras может работать с TensorFlow, PyTorch или JAX. Модель подходит для поиска изображений по описанию и классификации изображений по пользовательским категориям. В README отмечено, что обучение SigLIP использует попарную сигмоидальную функцию потерь вместо контрастивного softmax-подхода CLIP. Репозиторий распространяется по лицензии Apache 2.0. Это преобразованная версия базовой модели, поэтому её возможности и ограничения в основном наследуются от SigLIP; качество зависит от формулировки текстовых запросов и соответствия изображений обучающим данным.

Silero VAD v6 — экспорт модели обнаружения речевой активности Silero, подготовленный loom-ai-org для запуска в loom.cpp. Это модель архитектуры STFT + CNN + LSTM примерно с 300 тысячами параметров; веса соответствуют Silero VAD v6.2.3 для аудио 16 кГц и не изменены. Репозиторий упаковывает модель в формат GGUF; метаданные указывают библиотеку loom-py-rt и лицензию MIT. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого кадра длительностью 32 мс. Она подходит для определения участков речи в аудиозаписях и предварительной обработки аудио перед распознаванием речи. Модель языконезависимая; README сообщает, что обучающие корпуса охватывают более 6000 языков. Выход представляет собой вероятности по кадрам, а не готовые временные метки речи: выбор порога и постобработку, включая обработку границ сегментов и отбрасывание коротких фрагментов, нужно выполнять отдельно. Экспортированная версия работает только с монофоническим аудио 16 кГц; вариант для 8 кГц не включён. По README, экспорт сохраняет вычисления исходной модели с небольшим расхождением вероятностей из-за округления с плавающей точкой.

Это порт Silero VAD v6 для MLX, подготовленный сообществом mlx-community на основе весов из официального пакета silero_vad. Модель использует ветвь для аудио с частотой 16 кГц и архитектуру STFT, за которой следуют четыре сверточных слоя Conv1d, LSTM со скрытым размером 128 и выходной Conv1d с сигмоидой. Веса сохранены в формате safetensors и предназначены для запуска через mlx-audio на Apple Silicon. Модель определяет наличие речи в аудио и выдаёт вероятность речи для фрагмента: по одному значению на каждые 32 мс в потоковом режиме либо на 256 мс при пакетном вызове с объединением восьми внутренних фрагментов. Её можно применять для отбора речевых участков перед распознаванием речи, обработки потокового аудио и разметки активности говорящего. В README приведены результаты на одном англоязычном собрании и проверка совпадения выходов с upstream PyTorch; эти оценки не устанавливают качество для других условий и языков. Лицензия репозитория — MIT.

Slush-FallMix-12B — объединённая методом SLERP языковая модель на архитектуре Mistral, созданная сообществом mergekit-community из ChatWaifu-Wayfarer-Sunfall и Slush-Sunfall-Rocinante-GGLD-12B. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалоговых ответов; в метаданных также заявлен интерфейс вызова инструментов. Слияние использует V-образное распределение параметра t по слоям: в конфигурации указано сочетание Hermes на входных и выходных слоях и WizardMath в средних слоях. Модель принимает текст и выдаёт текст. Для загрузки используется библиотека Transformers, веса представлены в формате safetensors; заявленная длина контекста — 1 024 000 токенов. Карточка не сообщает результаты оценки качества, поддерживаемые языки или ограничения в применении, поэтому эти характеристики нельзя уточнить. Лицензия в предоставленных данных не указана.

mainbrains поддерживает форк SmolLM2-1.7B-Instruct для оценки и компактного запуска на устройствах с ограниченными ресурсами. Это плотная decoder-only Transformer-модель семейства Llama с 1,7 млрд параметров, дообученная методом SFT и оптимизированная с помощью DPO на базе HuggingFaceTB/SmolLM2-1.7B. Репозиторий содержит веса Safetensors и ONNX; в README также описаны GGUF-квантизации для локального запуска. Контекст модели — до 8192 токенов. Модель предназначена для генерации ответов и инструктивного диалога, переписывания и суммаризации текста, а также вызова функций. README ориентирует её на лёгкое локальное развёртывание, включая маломощные устройства; для версии Q4_K_M автор приводит оценку около 15 токенов в секунду при 1,2 ГБ оперативной памяти на Raspberry Pi 5. Основной язык — английский. По сравнению с предыдущей SmolLM1-1.7B автор отмечает улучшения в следовании инструкциям, знаниях, рассуждениях и математике; приведённые результаты показывают, что модель уступает некоторым сопоставляемым моделям по отдельным оценкам. Она может выдавать фактически неверные или непоследовательные ответы и воспроизводить смещения обучающих данных, поэтому важные сведения нужно проверять. Лицензия — Apache-2.0.

SPLADE CoCondenser SelfDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель на базе Luyu/co-condenser-marco использует архитектуру BERT с MLM-преобразователем и max-пулингом SPLADE; она преобразует текст в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в README использовалось ограничение 256 токенов. Модель предназначена для семантического поиска и разреженного извлечения пассажей, включая расширение запросов и документов. В тесте MS MARCO dev в README указаны MRR@10 37,6 и R@1000 98,4. Репозиторий предоставляет веса PyTorch и использует библиотеку Sentence Transformers; лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

NVIDIA Streaming Conformer-Hybrid Large — англоязычная модель распознавания речи, разработанная NVIDIA и обученная с помощью инструментария NeMo. Она предназначена для потоковой транскрибации и поддерживает несколько настроек задержки: от 0 до 1040 мс. В карточке указано, что семейство использует cache-aware FastConformer-Hybrid примерно на 114 млн параметров и обучено на больших наборах английской речи. Модель сочетает декодеры Transducer и CTC и принимает монофонический звук в формате WAV с частотой 16 кГц, выдавая распознанную речь в виде текста. Её можно использовать для транскрибации в реальном времени, а также дообучать на других наборах данных с помощью NeMo. Лицензия — CC BY 4.0. Качество может снижаться на технической лексике, разговорных формах и акцентированной речи, особенно если такие варианты недостаточно представлены в обучающих данных.

SWE-agent-LM-32B GGUF — языковая модель для задач программной инженерии, разработанная в рамках проекта SWE-smith командой SWE-bench. Модель создана на базе Qwen/Qwen2.5-Coder-32B-Instruct и дообучена на 5 тысячах траекторий, сгенерированных SWE-agent и Claude 3.7 Sonnet. Представленная версия подготовлена в формате GGUF с использованием llama.cpp и совместима с фреймворком SWE-agent. Модель предназначена для работы программных агентов, решающих задачи разработки и исправления программного кода, включая сценарии, связанные с SWE-bench. Она ориентирована на генерацию текста и кода на английском языке. Известно, что модель содержит 32 миллиарда параметров; сведения о поддерживаемых модальностях, размере контекста и конкретном варианте квантования в README не указаны. Сильными сторонами являются специализация на программной инженерии, обучение на агентных траекториях и возможность локального запуска через совместимые инструменты. Ограничения включают отсутствие в предоставленных данных подробных результатов бенчмарков, характеристик производительности, требований к аппаратному обеспечению и описания поведения за пределами задач разработки ПО. Указана лицензия Apache-2.0.

TabFix — модель для обнаружения и исправления ошибок в табличных данных, разработанная Antix5. Она объединяет проверки по заданной схеме с дообученным энкодером mmBERT: правила выявляют нарушения форматов, допустимых значений, обязательных полей и связей, а нейросетевой компонент ищет остаточные ошибки кодировки и орфографии и предлагает замену ячейки с учётом исходного значения, схемы столбца и соседних строк. Конвейер рассчитан на очистку CSV-таблиц с XML-правилами столбцов и поддерживает английский, французский, нидерландский, немецкий, польский, греческий и японский языки. В репозитории указана архитектура ModernBERT с 307,8 млн параметров и контекстом до 8192 токенов; доступны веса safetensors и ONNX. Модель дообучена на 27 948 записях преимущественно синтетического набора tabular-errors-v1. На небольшом сбалансированном тесте из 76 таблиц весь конвейер исправил 48 из 67 ошибочных ячеек; 48 из 49 применённых изменений оказались правильными, а среди 8 600 корректных ячеек ошибочных изменений не наблюдалось. Эти результаты относятся к комбинированному конвейеру, а не только к нейросетевой модели. Модель предназначена для локальной проверки и очистки CSV с аудитом и просмотром предложенных изменений. Она может пропускать неподдерживаемые правила и форматы; противоречивые связи могут показать затронутые строки, не определяя неверное значение. Предложенная замена может быть семантически ошибочной, а данные синтетического обучения и небольшой тест не гарантируют качество на произвольных реальных таблицах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

facebook/tart-full-flan-t5-xl — модель ранжирования документов, разработанная исследователями Meta AI и представленная в проекте TART. Это кросс-энкодер на архитектуре T5, дообученный инструкциями на примерно 40 задачах информационного поиска и инициализированный из google/flan-t5-xl. Модель принимает запрос, текст документа и инструкцию на естественном языке, а затем оценивает релевантность документа запросу, чтобы упорядочить кандидатов после первичного поиска. Модель предназначена для улучшения поиска по коллекциям документов и применяется в сценариях retrieval-augmented generation, где нужно выбрать наиболее подходящие фрагменты для ответа. Авторы сообщают о результатах на BEIR, LOTTE и X²-Retrieval, превосходящих предыдущие методы на момент публикации работы. В метаданных указаны 385,2 млн параметров и контекст до 512 токенов; README приводит для TART-full размер 1,5 млрд параметров, поэтому сведения о размере расходятся. Доступен формат PyTorch. Для использования требуется специализированная реализация EncT5. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Tianmu-Emb-Uni-8B — мультимодальная модель эмбеддингов семейства Tianmu от TianmuLab для поиска и сопоставления данных разных типов. Она объединяет основу Qwen3-VL-Embedding-8B с аудиоветвью, инициализированной из Qwen2.5-Omni-7B; обученные аудиомодули, соединитель, проекцию, адаптер и прототипные модули связывают аудио с общим пространством эмбеддингов. Размерность представления — 3584. Модель предназначена для текстово-визуального и аудиопоиска, поиска по видео и визуальным документам, мультимодального RAG и семантического сопоставления; её оценивали на MMEB-V3. Репозиторий содержит только дообученные модули, а не полные веса базовых моделей. Для запуска нужно отдельно подготовить Qwen3-VL-Embedding-8B и Qwen2.5-Omni-7B и использовать код проекта: штатная загрузка через transformers.AutoModel.from_pretrained не поддерживается. Карточка описывает выпуск как предназначенный главным образом для исследований и оценки; качество может снижаться за пределами доменов MMEB-V3, а поиск по аудио в текущем чекпойнте сложнее классификации аудио. Лицензия репозитория — Apache-2.0; для базовых моделей и зависимостей нужно соблюдать их отдельные условия использования.

cnmoro/tiny-image-captioning — компактная модель для создания текстовых описаний изображений. Она разработана на основе архитектуры vision-encoder-decoder с визуальным энкодером ViT-small-patch16-224 и текстовым декодером BERT-tiny; общий размер весов — около 100 МБ. Модель предназначена для генерации англоязычных подписей к изображениям и, по заявлению автора, быстро работает на CPU. Модель принимает изображение и выдаёт текстовое описание. Она опубликована под лицензией Apache-2.0. Карточка не сообщает об ограничениях точности или поддержке других языков; качество подписи может зависеть от содержания изображения.

WebOrganizer/TopicClassifier-NoURL — англоязычный классификатор веб-страниц по содержанию их текста, разработанный WebOrganizer. Он распределяет страницы по 17 тематическим категориям, не используя URL, поэтому подходит для сортировки и тематической организации веб-контента по самому тексту. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В README указано около 140 млн параметров, а метаданные каталога — 136,7 млн; контекст составляет до 8192 токенов. Для обучения использованы наборы WebOrganizer с аннотациями, созданными моделями Llama 3.1 8B и Llama 3.1 405B FP8. Для ускоренного вывода авторы рекомендуют реализацию gte-base-en-v1.5 с unpadding и эффективным attention, для чего требуется xformers. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных материалах отсутствуют.

giocorte/totem-slm-sft — дообученная языковая модель, опубликованная giocorte на базе unsloth/qwen3-4b-unsloth-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной до 40 960 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или сравнительные результаты, поэтому нельзя определить, в каких прикладных сценариях модель превосходит базовую.