I.14Автоматизация процессов и AI-агенты

Josiefied-Qwen3-4B-abliterated-v1 — диалоговая языковая модель, разработанная Gökdeniz Gülmez на основе Qwen3-4B. Модель дообучена с изменением отказного поведения, чтобы давать более открытые ответы, сохраняя следование инструкциям и интерфейс вызова инструментов. Она предназначена для генерации текста и диалогов, выполнения инструкций и сценариев, где нужна менее строгая фильтрация ответов. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров; нативное контекстное окно составляет 40 960 токенов. В репозитории указаны веса safetensors, а также варианты GGUF и MLX. Модель может генерировать чувствительные или спорные ответы из-за ослабленных защитных ограничений. Лицензия в предоставленных данных не указана.

Redis LangCache Embed v3 Small — англоязычная Sentence Transformer модель Redis для построения плотных векторов предложений и абзацев. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 на наборе LangCache Sentence Pairs и содержит около 25,9 млн параметров. Архитектура состоит из BERT-энкодера и среднего pooling; векторы размерности 384 сравниваются по косинусному сходству. Модель предназначена для оценки семантического сходства, семантического поиска и поиска похожих запросов для семантического кэширования. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают нативный контекст 512 токенов. Обучение включало около 8 млн парных примеров; в карточке приведён результат nDCG@10 0,788 на тестовой оценке LangCache. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги для сравнения текстов, но качество и применимость за пределами английского языка и сценариев, близких к обучающим данным, не установлены.

lb-reranker-0.5B-v1.0-GGUF — это квантованные в формате GGUF версии модели lb-reranker-0.5B-v1.0, разработанной lightblue и подготовленной для распространения пользователем bartowski. Модель предназначена для ранжирования текстов и переранжирования результатов поиска, например в системах семантического поиска, retrieval-augmented generation и других сценариях, где нужно оценить релевантность документов запросу. Модель имеет размер около 0,5 млрд параметров и относится к классу text-ranking и reranker. Она поддерживает широкий набор языков, включая английский, китайский, испанский, немецкий, арабский, русский, японский, корейский, хинди и многие другие. В репозитории представлены варианты с разными уровнями квантования — от F32 и F16 до Q8_0, Q6, Q5, Q4, Q3 и IQ — с размером файлов примерно от 0,34 до 1,98 ГБ. Квантование выполнено с использованием llama.cpp и метода imatrix; для запуска рекомендуется LM Studio или совместимое программное обеспечение. Длина контекста и подробности архитектуры в README не указаны. Сильными сторонами являются компактный размер, мультиязычность и наличие большого выбора квантованных вариантов, позволяющих подобрать баланс между качеством и потреблением памяти. Более низкие уровни квантования могут снижать качество ранжирования, а модель предназначена именно для оценки релевантности, а не для свободной генерации текста. Исходные данные связаны с датасетом lightblue/reranker_continuous_filt_max7_train. Указанная лицензия — Apache-2.0.

Это модифицированная версия инструкционной языковой модели LiquidAI LFM2.5-1.2B-Instruct, созданная alpharomercoma методом directional ablation: из остаточного потока удалено направление, связанное с отказами, а веса подобраны с поиском компромисса между снижением отказов и близостью к исходной модели. Параметры объединены в обычные веса Lfm2ForCausalLM; архитектура плотная, размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалога и генерации текста по инструкциям. Сохранены шаблон чата и токены вызова инструментов базовой модели. Репозиторий содержит веса Safetensors для Transformers, а не скомпилированную сборку ExecuTorch; её можно использовать для локального запуска через Transformers или самостоятельно квантовать. Удаление защитного обучения означает, что модель может отвечать на запросы, от которых базовая версия отказывалась. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и у базовой модели. В README отмечены ограничения отозванной сборки ExecuTorch, но указано, что веса в этом репозитории ими не затронуты.

Это диалоговая модель для преобразования запросов на естественном языке в SQL. Модель VikramPal дообучил методом LoRA на базе LiquidAI/LFM2.5-8B-A1B: обучение охватило 49 905 примеров диалогов о text-to-SQL, после чего веса были объединены и сохранены в формате bf16. Архитектура — LFM2 MoE; в метаданных указано 1,6 млрд параметров и контекст до 128 000 токенов. Карточка README приводит для этого чекпойнта подсчёт в 8 467 856 128 параметров, поэтому размер модели в источниках расходится. Модель предназначена для генерации SQL по описанию задачи и схемы базы данных. На 12 000 отложенных задачах text-to-SQL README сообщает 84,29% совпадения результатов выполнения запросов; показатель составил 72,02% на наборе Gretel и 88,50% на WikiSQL. Это оценка одной задачи, и она не подтверждает качество на других сценариях. Чекпойнт загружается через Transformers в bf16; для него указана лицензия other, поэтому перед использованием следует проверить условия лицензии в карточке Hugging Face.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для обработки изображений и текста, рассчитанная на эффективный запуск на устройствах и в сценариях с низкой задержкой. Это дообученная версия LFM2.5-2.6B-Base с языковой основой LFM2.5-2.6B и визуальным энкодером SigLIP2 NaFlex на 400 млн параметров; архитектура модели — плотная, класс Lfm2VlForConditionalGeneration. Модель принимает изображения и текст и генерирует текст. Контекст — 32 768 токенов; заявлена поддержка 16 языков, включая русский, английский, китайский, арабский, японский и другие. Модель предназначена для визуального диалога, распознавания текста на сканах с разметкой расположения, поиска объектов по запросу на естественном языке и перевода надписей на меню или дорожных знаках. Она поддерживает вызов инструментов. В README указаны высокая скорость инференса и работа примерно в 3 ГБ памяти, что делает её подходящей для локального развёртывания и пакетной обработки документов. Модель рекомендована для одношаговых высокопроизводительных задач; она не подходит для задач с длинным контекстом и интенсивными рассуждениями, например проектирования по чертежам. Формат разметки страниц для OCR экспериментальный и может быть ненадёжным или меняться. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

AtomicChat/Ling-3.0-flash-GGUF — набор GGUF-квантизаций модели inclusionAI/Ling-3.0-flash, подготовленный AtomicChat. Модель предназначена для генерации текста и диалоговых сценариев, запускаемых локально через llama.cpp; в GGUF встроен шаблон чата, поддерживаются режим рассуждений и вызовы инструментов. Исходная модель имеет 124 млрд параметров, из которых 5,1 млрд активны при обработке токена. Архитектура сочетает гибридное линейное внимание и Mixture-of-Experts на 512 экспертов: 35 блоков KDA чередуются с 7 блоками gated MLA в соотношении 5:1. Доступны варианты размером примерно от 32,4 до 89,4 ГБ; наиболее качественным вариантом для соответствующего объёма памяти заявлен AD-Q5_K_M. Контекст в примере запуска составляет 32 768 токенов, однако максимальный поддерживаемый размер контекста в README не указан. Языки и мультимодальные возможности не заявлены. Ключевая особенность — квантизация Atomic Dynamic, при которой точность распределяется с учётом роли тензоров, типа проекции и глубины блока. По приведённым измерениям, некоторые варианты имеют меньшую ошибку KL относительно BF16, чем стандартные квантизации llama.cpp аналогичного размера. При этом для запуска требуется специальная сборка llama.cpp TurboQuant и значительный объём памяти; память нужна также под контекст. Варианты с очень малым размером, особенно AD-IQ1_S и AD-IQ2_M, заметно теряют качество. Для Intel GPU готового SYCL-архива нет. Лицензия — MIT.

albertge/llada-8b-dllm-registers-code64-codetags-t4 — модель, разработанная в рамках проекта dLLM Registers и дообученная на базе GSAI-ML/LLaDA-8B-Base. Это плотная диффузионная языковая модель на 8 млрд параметров для генерации текста, специализирующаяся на задачах программирования. Обучение продолжено в режиме chunked SFT на кодовой части набора mix60k: использовались около 30 тысяч трасс из подмножества OpenCodeInstruct, размер окна составлял 64 токена. Модель переносит состояние декодирования между окнами денойзинга через хвостовой канал Markovian Thinking длиной 4 токена; для корректного вывода требуются соответствующие параметры канала. Карточка указывает английский язык, интерфейс чата и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Практическое применение ориентировано на генерацию кода; точные результаты оценки качества в карточке не приведены.

ishala/llama-3.2-3b-instruct-indo-grpo — плотная языковая модель семейства Llama с 3,2 млрд параметров, разработанная ishala. Это дообученная версия ishala/llama-3.2-3b-instruct-indo-sft; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалогов, а метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена; в тегах карточки указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

NVIDIA Llama NemoRetriever ColEmbed 1B v1 — мультимодальная модель эмбеддингов с поздним взаимодействием, дообученная для поиска документов по запросу. Она принимает текстовые запросы и текстовые либо визуальные страницы документов, включая страницы с диаграммами, таблицами и инфографикой, и формирует ColBERT-подобные многовекторные представления для ранжирования релевантных документов. Модель построена на трансформерной архитектуре с компонентами SigLIP 2 Giant и Llama 3.2 1B. NVIDIA позиционирует её для мультимодального RAG, поиска по визуальным документам и кросс-модального поиска; в README сообщается о втором месте на бенчмарках ViDoRe V1, ViDoRe V2 и MTEB VisualDocumentRetrieval на дату 27 июня 2025 года. Для запуска указаны Transformers 4.49.0 и Flash Attention; README приводит интеграцию с TensorRT и Triton и поддержку GPU A100 и H100 под Linux. Модель предназначена только для некоммерческого использования и исследований. Она возвращает числовые векторы, а не готовые текстовые ответы; качество и скорость зависят от инфраструктуры и не гарантированы за пределами описанных бенчмарков и сценариев поиска.

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке. Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

Mahakal-AI-Fusion-v3.0 — текстовая генеративная модель, созданная автором UX4567 с помощью mergekit. Это слияние методом TIES модели Qwen/Qwen2.5-3B-Instruct и двух моделей автора: King-AI-Chat-v3.0 и Kartik-Kundli-AI-3B-v2.0. Модель построена на плотной архитектуре Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогов и генерации текста; в метаданных также указана поддержка интерфейса вызова инструментов. Базовая Qwen2.5-3B-Instruct — компактная многоязычная модель для выполнения инструкций и генерации структурированных ответов. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Качество, языковое покрытие и ограничения вызова инструментов отдельно не описаны.

mBART-50 many-to-one multilingual machine translation — дообученная модель Facebook на базе mBART-large-50 для машинного перевода между 50 языками. Модель семейства mBART построена на архитектуре кодировщик–декодировщик и содержит около 457,4 млн параметров; родной контекст составляет 1024 токена. Модель предназначена для перевода текстов между поддерживаемыми языками, включая арабский, английский, русский, китайский, японский и многие другие. Карточка называет её вариантом many-to-one, но также описывает перевод между любой парой из 50 языков; это означает, что доступен перевод с множества языков, а заявленное название указывает на сценарий перевода на один целевой язык. Лицензия в предоставленных данных не указана.

MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.

MiniCPM5-1B-heretic-som-i1-GGUF — GGUF-квантизированная версия языковой модели MiniCPM5-1B-heretic-som, подготовленная mradermacher на основе модели dalatexcoder. Модель предназначена для генерации и обработки текста, диалоговых сценариев, задач с длинным контекстом, вызова инструментов и локального запуска на устройствах с ограниченными ресурсами. В метаданных указана поддержка английского и китайского языков. Модель содержит около 1 млрд параметров и представлена в различных вариантах квантизации GGUF размером примерно от 0,5 до 1,0 ГБ, включая IQ- и Q-варианты. Доступны imatrix-квантизации, оптимизированные для самостоятельного создания квантованных файлов. Наиболее сбалансированными в README названы i1-Q4_K_S и i1-Q4_K_M, причём последний рекомендован как быстрый вариант. Заявленные преимущества — небольшой размер, возможность работы локально и на периферийных устройствах, а также поддержка длинного контекста и tool calling. Качество зависит от выбранного уровня квантизации: самые компактные варианты могут заметно снижать качество генерации, а некоторые обозначены как имеющие очень низкое качество. Точные параметры архитектуры, максимальная длина контекста, результаты бенчмарков и сведения о мультимодальности в README не приведены; по доступным данным это текстовая модель. Модель распространяется по лицензии Apache-2.0.

Англоязычный кросс-энкодер-реранкер Hyperakan, дообученный на microsoft/MiniLM-L12-H384-uncased с использованием библиотеки Sentence Transformers и данных MS MARCO. Модель совместно обрабатывает запрос и текстовый фрагмент и выдаёт оценку релевантности, пригодную для повторного ранжирования результатов поиска и семантического поиска. Архитектура — BertForSequenceClassification с одним выходным значением; размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт оценки для пар текстов. В README приведены результаты оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; показатели заметно различаются между наборами. Модель рассчитана на английский язык. Лицензия — Apache-2.0. Результаты на приведённых наборах ограничены их небольшим размером, поэтому качество для других данных и сценариев следует проверять отдельно.

Модель разработана Labagaite и представляет собой дообученную инструктивную Mistral 7B для суммаризации французских транскрипций аудиоподкастов. Она предназначена для создания кратких изложений транскриптов и может применяться в инструментах подготовки отчётов по встречам. Обучение проводилось на наборе fr-summarizer-dataset объёмом 1,97 тыс. обучающих и 440 проверочных примеров в формате диалога ChatML. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это текстовая модель: она принимает текст транскрипта и генерирует текстовое резюме. Опубликованные веса представлены в safetensors; модель дообучена от unsloth/mistral-7b-instruct-v0.2-bnb-4bit и загружена как 16-битная версия. Лицензия — Apache-2.0.

symanto/mpnet-base-snli-mnli — англоязычная модель классификации текста на основе MPNet с механизмом cross-attention. Её разработчики дообучили mpnet-base на наборах SNLI и MNLI для классификации без примеров и с небольшим числом примеров. Модель подходит для отнесения текста к заданным категориям, когда размеченных обучающих данных мало или нет. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов; доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это англоязычный Cross Encoder на базе jhu-clsp/ettin-encoder-32m, дообученный авторами Sentence Transformers на датасете MS MARCO. Модель использует архитектуру ModernBERT, содержит 31,9 млн параметров и принимает пару текстов, чтобы оценить их релевантность; результатом служит один числовой балл. Для этой модели указано максимальное ограничение в 512 токенов на последовательность. Модель предназначена для переранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, уже найденных поисковой системой, чтобы поднять наиболее подходящие документы выше. В README приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель распространяется в формате safetensors и рассчитана на использование с библиотекой sentence-transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

cross-encoder/msmarco-MiniLM-L6-en-de-v1 — компактная модель cross-encoder на архитектуре BERT, разработанная Sentence Transformers и дообученная на задаче ранжирования пассажей MS MARCO. Она оценивает релевантность пары «запрос — документ» и предназначена для повторного ранжирования результатов информационного поиска. Модель поддерживает английские и немецкие запросы и документы, включая англо-английский, немецко-английский и немецко-немецкий сценарии. Размер модели — 110,2 млн параметров, максимальная длина контекста — 512 токенов. Модель показала улучшение ранжирования относительно BM25 в приведённых оценках TREC-DL19 и GermanDPR; указанная скорость составляет 1600 пар «запрос — документ» в секунду на GPU V100. Её можно применять как второй этап поиска после первичного извлечения кандидатов. Лицензия — Apache-2.0.

Myanmar ner Tagging Model — модель распознавания именованных сущностей, созданная дообучением chuuhtetnaing/myanmar-pos-model на датасете chuuhtetnaing/myanmar-ner-dataset. Она использует архитектуру XLM-RoBERTa с классификационной головой для токенов и предназначена для выделения сущностей в текстах на бирманском языке. В карточке приведены результаты оценки на тестовой части датасета: для DATE F1 составляет 0,83, для LOC — 0,95, для NUM — 0,90. Модель принимает текст и возвращает разметку токенов с метками сущностей. Размер — 305,2 млн параметров, длина контекста — 514 токенов. Распространяется по лицензии Apache-2.0.

synapti/nci-ner-v1 — модель RoBERTa, дообученная разработчиком synapti на базе FacebookAI/roberta-base для классификации токенов. Она предназначена для задач разметки последовательностей, включая распознавание именованных сущностей. Архитектура — RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на оценочной выборке: precision 0,8854, recall 0,9097 и F1 0,8974. Датасет и типы сущностей не описаны, поэтому область применения и языковую поддержку уточнить нельзя. Модель распространяется по лицензии MIT.

Nemotron 3.5 ASR Streaming 0.6B ONNX INT4 — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA и представленная в формате ONNX сообществом onnx-community. Это квантизированная INT4-версия модели nvidia/nemotron-3.5-asr-streaming-0.6b с примерно 600 миллионами параметров, предназначенная для преобразования речи в текст с поддержкой пунктуации и капитализации. Модель рассчитана на потоковую расшифровку речи, голосовых агентов и приложений, которым нужны низкая задержка и высокая пропускная способность, а также на пакетную обработку аудио. Она использует архитектуру Cache-Aware FastConformer-RNNT, переиспользующую закэшированный контекст энкодера и обрабатывающую только новые аудиофрагменты. Поддерживается 40 языковых локалей, включая английский, испанский, немецкий, французский, итальянский, арабский, японский, корейский, португальский, русский, китайский, хинди и другие. Предусмотрены автоматическое определение языка и языковое условное управление. Преимуществами являются потоковый режим, заявленная задержка около 0,56 секунды, эффективное использование вычислений и гибкие размеры аудиочанков от 80 до 1120 мс; экспорт оптимизирован для чанка 560 мс. Ограничения включают зависимость качества от языка, акустических условий и размера чанка, а также снижение точности из-за INT4-квантизации по сравнению с исходной моделью, хотя конкретное сравнение в README не приведено. В README указана готовность к коммерческому использованию; в метаданных обозначены лицензии MIT и NVIDIA Open Model License, поэтому условия NVIDIA Open Model License следует учитывать отдельно.

dealignai выпустил вариант NVIDIA Nemotron 3 Super 120B для генерации текста и диалогов. Модель основана на гибридной архитектуре Nemotron H, объединяющей слои Mamba SSM, Mixture of Experts и attention; в исходной версии заявлены 120 млрд параметров и около 12 млрд активных. Репозиторий содержит JANG_4M-квантование со смешанной точностью: 8-битный attention и 4-битные эксперты. README указывает размер около 63 ГБ, а метаданные — 6,6 млрд параметров; эти значения описывают модель по-разному и расходятся с заявленным в README размером исходной архитектуры. Модель рассчитана на локальный запуск на Apple Silicon через MLX Studio или пакет jang-tools, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно — 262 144 токена. Вариант CRACK прошёл заявленное авторами удаление защитных отказов на уровне весов; README приводит собственные результаты HarmBench и MMLU, которые не являются независимой оценкой. Поддерживаемый формат JANG ограничивает совместимость указанными MLX-инструментами. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Nemotron-Labs-Diffusion-14B — плотная языковая модель NVIDIA с 13,4 млрд параметров для генерации текста в диалоговом режиме. Одна и та же модель поддерживает авторегрессионное декодирование, параллельное декодирование на основе диффузии и self-speculation: диффузионный режим подготавливает несколько токенов, а авторегрессионный проверяет их с использованием общего KV-кэша. Режимы переключаются изменением шаблона внимания. Модель предназначена для диалоговых приложений и сценариев инференса, где важна скорость генерации при разной одновременной нагрузке. NVIDIA описывает ускорение за счёт повторного использования весов для вычисления нескольких токенов; приведённые в карточке показатели относятся к отдельным конфигурациям и аппаратным платформам и не гарантируют такую же производительность в других условиях. Заявленное максимальное контекстное окно — 262 144 токена. Для запуска README указывает Transformers версии 5.0 или новее; веса доступны в формате safetensors. Лицензия обозначена как other, поэтому перед использованием следует ознакомиться с условиями NVIDIA. Карточка рекомендует оценивать пригодность модели для конкретного применения и учитывать связанные с ним риски.

SAIRA NASEEM разработала модель классификации новостных статей на базе DistilBERT. Она относит текст к одной из четырёх категорий: мировые новости, спорт, бизнес или наука и технологии. Модель предназначена для автоматической разметки новостных материалов и построения тематических лент или архивов. Модель дообучена на наборе AG News и использует архитектуру DistilBertForSequenceClassification. Для входа она принимает текст; максимальная длина контекста — 512 токенов. В README указаны accuracy 91,25%, F1 91,23% и precision 91,44%. Лицензия в предоставленных данных не указана.

kartashoffv/news_topic_classification — дообученная модель BERT для классификации текста по темам новостей. Она основана на русскоязычной DeepPavlov/rubert-base-cased и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения новостным текстам тематических меток и может использоваться в автоматической сортировке новостей и тематической разметке публикаций. В карточке приведён результат F1 0,8712 на оценочном наборе, но название и состав набора, схема классов и методика оценки не раскрыты. Модель работает с текстом и выдаёт классификационные метки. Используются форматы PyTorch и safetensors; лицензия в предоставленных данных не указана.

leomaurodesenv/nli-MiniLM2-L6-H768-nvidia-aegis-v1-augmented — дообученная модель на базе cross-encoder/nli-MiniLM2-L6-H768. Это плотная модель семейства RoBERTa с 95,2 млн параметров, предназначенная для классификации текста. Базовая модель определяет логическое отношение между парой предложений и поддерживает zero-shot-классификацию; карточка этой версии сообщает точность 0,9498 и loss 0,2039 на тестовой выборке, но не раскрывает её датасет и конкретную схему меток. Модель принимает текст и выдаёт результат классификации. Максимальная длина контекста — 514 токенов. Она опубликована в формате safetensors для Transformers под лицензией Apache-2.0. Языковая специализация этой версии и её ограничения в README не описаны.

facebook/nllb-moe-54b — модель машинного перевода семейства NLLB-MoE, представленная командой NLLB в работе No Language Left Behind. Архитектура — смесь экспертов; в метаданных указано 2,1 млрд параметров, формат PyTorch и контекст до 1024 токенов. Модель предназначена для перевода между языками с указанием целевого языка через его код, например fra_Latn для французского. Модель обучалась с использованием Expert Output Masking; исследование NLLB-200 описывает методы обучения и работу с языками с разным объёмом ресурсов. Карточка указывает датасет FLORES-200 и поддержку множества языков. Для хранения чекпойнта требуется около 350 ГБ, поэтому для генерации может потребоваться Accelerate и достаточные системные ресурсы. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими условиями.

Nougat Small — модель семейства Nougat, разработанная командой Nougat для преобразования страниц научных PDF-документов в Markdown. Это версия 0.1.0-small; модель обучена на задаче транскрибации PDF в Markdown и предсказывает текст по изображению страницы. Архитектура состоит из визуального кодировщика Swin Transformer и текстового декодировщика mBART в схеме vision-encoder-decoder. Модель принимает изображение страницы и генерирует текстовую разметку Markdown. Лицензия — CC BY 4.0. Основное применение — извлечение и структурированная транскрибация содержимого научных документов. Карточка рекомендует использовать модель для преобразования PDF в Markdown; отдельные количественные характеристики и ограничения качества в README не приведены.