I.14Автоматизация процессов и AI-агенты

bertin-project/bertin-base-ner-conll2002-es — испаноязычная модель для распознавания именованных сущностей, разработанная командой проекта BERTIN. Это модель RoBERTa-base с головой классификации токенов, дообученная на наборе CoNLL2002-es; базовая модель Bertin Gaussian 512 обучалась с нуля на испанских текстах. Модель принимает текст и присваивает метки его токенам, чтобы выделять сущности в задачах NER. Контекст модели составляет 514 токенов, число параметров — 151,8 млн. Модель подходит для извлечения имен и других размечаемых сущностей из испаноязычных текстов, например для подготовки корпуса или автоматической индексации документов. Она опубликована в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

amber-tech/bert-multilingual-passage-reranking-msmarco — мультиязычная модель ранжирования пассажей, дообученная на данных MS MARCO. Она принимает поисковый запрос и текстовый фрагмент, оценивает их соответствие и выдаёт оценку от −10 до 10; более высокое значение означает более релевантную пару. Модель построена на BERT с полносвязной сетью над вектором CLS размерности 768 и содержит 194,6 млн параметров. Модель предназначена для повторного ранжирования первых результатов поиска, например для повышения релевантности выдачи Elasticsearch. README заявляет поддержку более 100 языков, хотя обучение проводилось на англоязычных данных; автор также сообщает о хороших результатах на немецких запросах. Суммарный вход запроса и фрагмента ограничен 512 токенами, а указанное время обработки составляет около 300 мс на запрос на GPU. Модель доступна по лицензии Apache-2.0. Скорость может ограничивать её применение к большим наборам результатов; заявленные улучшения релевантности основаны на оценках автора и не гарантируют такой же эффект на других поисковых системах и данных.

Davd-b01/BigBang-Aquila-35B-Merged-Abliterated — текстовая MoE-модель для генерации диалоговых ответов, созданная как версия Abliterated (OrthoBot) модели BigBang-Aquila-35B-Merged. Исходная модель получена слиянием DARE-TIES моделей BigBang-v1 и XYZ-Aquila-mini на базе Qwen/Qwen3.6-35B-A3B; в этой версии направление отказа ортогонализовано относительно весов, записывающих информацию в residual stream. Для обработки затронуты 50 тензоров attention o_proj и down_proj экспертных и общих слоёв. Модель использует архитектуру Qwen3_5MoeForCausalLM, поставляется в safetensors и имеет 2,9 млрд параметров с контекстом до 262 144 токенов. Это текстовый чекпойнт без vision tower и весов MTP; для запуска указаны Transformers версии не ниже 5.12 и зависимости flash-linear-attention и causal_conv1d. Лицензия — Apache-2.0. Abliteration меняет поведение отказов, поэтому ответы могут включать содержимое, которое исходная модель отклоняла.

mehuldamani/big-math-digits-v2-brier-base-tabc — дообученная модель Qwen/Qwen2.5-7B, созданная с использованием TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста в диалоговом формате; карточка демонстрирует запрос с открытым вопросом и получение текстового ответа. Модель рассчитана на использование через Transformers и имеет контекстное окно до 131072 токенов. Карточка не описывает специализацию на математике или конкретную методику обучения, несмотря на название репозитория, поэтому её можно охарактеризовать только как модель генерации текста общего назначения. Указаны интерфейсы чата и вызова инструментов. Базовая модель — Qwen/Qwen2.5-7B; лицензия в предоставленных данных не приведена.

BoostedV1 — авторская дообученная языковая модель auryn-macmillan для рассуждений и генерации кода. Она основана на DeepSeek-R1-Distill-Qwen-1.5B: модель прошла продолженное обучение с LoRA, после чего адаптер был объединён с базовыми весами. В репозитории опубликованы веса safetensors для запуска через Transformers; архитектура — Qwen2ForCausalLM, размер — 1,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых запросов, решения математических задач и помощи с кодом. В карточке приведены результаты GSM8K 46,0% и HumanEval pass@1 7,3%; они характеризуют только эти тесты и не гарантируют качество на других задачах. README сообщает об обучении на OpenCodeInstruct, OpenThoughts и OpenR1-Math; среди языков в метаданных указан английский. Модель распространяется по лицензии MIT.

evangeliazve/camembert-ner-articles-nomination — дообученная модель CamemBERT для распознавания именованных сущностей в текстах. Она выделяет имена людей, организации и должности; в карточке приведены результаты оценки: F1 0,8723 и loss 0,6701. Модель описана как резервная версия модели для новостных статей; отдельная модель для предсказания отношений между сущностями упомянута как разрабатываемая, поэтому эта модель сама такие отношения не определяет. Модель содержит 137,8 млн параметров, использует архитектуру CamembertForTokenClassification и поддерживает контекст до 514 токенов. README указывает, что она дообучена на camembert-base, но набор данных не назван; предполагаемая область применения — извлечение сущностей из статей. Лицензия — MIT.

NVIDIA NeMo Canary Flash — многоязычная модель распознавания речи и перевода речи, построенная на архитектуре Canary. Модель содержит 182 млн параметров: кодировщик FastConformer с 17 слоями и декодер Transformer с 4 слоями. Для работы используется библиотека NVIDIA NeMo. Модель распознаёт речь на английском, немецком, французском и испанском языках. Она также переводит речь с английского на немецкий, французский и испанский, а с этих языков — на английский; доступно оформление текста с пунктуацией и заглавными буквами. Экспериментальная функция добавляет временные метки слов и сегментов. Заявленная скорость превышает 1200 RTFx на наборах OpenASR Leaderboard. Модель принимает монофонические аудиофайлы WAV или FLAC с частотой 16 кГц и выдаёт текст, при выбранном режиме — с временными метками. Для длинных записей, превышающих примерно 40 секунд, NeMo предоставляет обработку по частям. В карточке также отмечено, что выходной текст может требовать обратной нормализации и что специальные символы не обрабатываются. Лицензия CC-BY-4.0 допускает коммерческое использование.

Это конверсия CLIP ViT-B/32 от OpenAI для библиотеки Keras 3, подготовленная командой zeromodels. Модель использует два энкодера — изображений и текста — обученных сопоставлять пары «изображение — подпись» в общем пространстве эмбеддингов. Репозиторий содержит версию в формате TensorFlow; реализация Keras может работать с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым запросам без дообучения: при выводе ей передают изображения и текстовые подсказки, между которыми она оценивает соответствие. Архитектура также поддерживает поиск изображений по тексту и получение эмбеддингов изображений и текста. Лицензия — MIT. Качество результатов зависит от формулировок текстовых подсказок и соответствия изображений данным обучения. Модель сопоставляет изображения с текстом, поэтому не заменяет специализированный детектор объектов или систему распознавания текста на изображениях.

Code-Llama-2-7B-instruct-text2sql — языковая модель, дообученная автором карточки на базе codellama/CodeLlama-7b-Instruct-hf для преобразования вопросов на естественном языке в SQL-запросы с учётом схемы базы данных. Модель построена на авторегрессионной архитектуре Transformer семейства Llama и содержит 6,6 млрд параметров; для обучения использовался датасет bugdaryan/sql-create-context-instruction. Контекст составляет до 16 384 токенов. Модель предназначена прежде всего для генерации SQL по англоязычным запросам, а также поддерживает генерацию кода, заполнение пропусков и диалог по инструкциям. В описании обучения указаны LoRA-параметры и 4-битная настройка bitsandbytes NF4, однако доступный репозиторий содержит формат PyTorch; наличие отдельного адаптера или квантизированных весов по метаданным не подтверждено. Модель распространяется по лицензии Llama 2. Она может выдавать неточные или нежелательные ответы, поэтому SQL следует проверять перед выполнением; автор рекомендует тестирование и настройку безопасности для конкретного применения.

Cogito-0.9.1-15B — разговорная аналитическая модель на 14 млрд параметров, разработанная ozaa77 и основанная на архитектуре Qwen3. Она предназначена для генерации ответов с проверкой предпосылок вопроса, поиском противоречий и оценкой уверенности; поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, включая структурированные рассуждения и ответы. В README приведены результаты на задачах знаний и рассуждений: MMLU-Pro, GPQA Diamond и MATH-500. Доступны веса safetensors для запуска через Transformers и совместимые среды. Контекстное окно составляет 40 960 токенов. Карточка описывает англоязычное применение; метаданные указывают английский язык. Модель может помогать анализировать аргументы, решать математические и научные задачи и отвечать на вопросы с оговоркой об уверенности. Результаты бенчмарков из README не гарантируют качество в конкретном применении. Лицензия — Apache-2.0.

Citaman/command-r-36-layer — объединённая автором Citaman языковая модель на архитектуре Cohere с 31,7 млрд параметров. Репозиторий создан 15 апреля 2024 года; веса опубликованы в формате Safetensors для использования с Transformers. Модель предназначена для генерации текста и диалогов, также заявлен интерфейс вызова инструментов. Модель получена слиянием SLERP на основе Citaman/command-r-37-layer: использованы диапазоны слоёв [0, 36] и [1, 37] одной базовой модели. Контекст составляет 8192 токена. README не уточняет языки и специализированные предметные области; из доступных данных нельзя заключить, насколько хорошо реализован вызов инструментов или каково качество ответов. Лицензия в предоставленных данных не указана.

Moritz Laurer разработал DeBERTa-v3-large-zeroshot-v1 для классификации текстов без предварительно заданных классов. Модель формулирует классификацию как проверку гипотезы: определяет, следует ли утверждение из текста, используя пары меток entailment и not_entailment. Такой подход позволяет применять её к разным задачам, передавая текст и список возможных меток. Модель основана на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 533,8 млн параметров и принимает тексты длиной до 512 токенов. Для обучения автор преобразовал 26 задач классификации и пять наборов данных для NLI в общий формат проверки гипотез; среди задач были анализ тональности, эмоций, токсичности, спама и тематическая классификация. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch и safetensors. Модель предназначена только для классификации текста. Результаты зависят от формулировок кандидатных меток и входного текста; README также предупреждает о возможных смещениях из обучающих наборов данных. Для работы с некоторыми версиями Transformers может потребоваться версия 4.13 или новее. Лицензия — MIT.

DeepSeek-V4-Pro-GGUF — набор GGUF-квантизаций базовой модели DeepSeek-V4-Pro, разработанной DeepSeek и опубликованный командой teamblobfish. Модель предназначена для генерации текста и локального запуска через специализированную ветку llama.cpp с поддержкой архитектуры V4. Формат подходит для сценариев локального инференса, включая серверное использование и обработку tool calls. Модель использует архитектуру Mixture of Experts: 61 слой и 384 маршрутизируемых эксперта. В реализации применяются специфичные для V4 механизмы, включая compressor decode, hyperconnection, lightning indexer, FP8-эмуляцию KV и NextN heads. Доступны варианты Q8_0, Q4_K_M-XL и Q2_K-XL; размер файлов составляет примерно от 498 ГиБ до 1,46 ТиБ. README демонстрирует запуск с контекстом 65 536 токенов, но максимальный размер контекста модели явно не указан. Поддерживается текстовая модальность; список языков не приведён. Сильной стороной является возможность запуска крупной модели в GGUF с поддержкой Apple Silicon, NVIDIA CUDA и CPU, а также проверенная работа Q2_K-XL с tool calls. Основные ограничения — чрезвычайно большой объём памяти, низкая скорость на CPU и необходимость использовать V4-совместимый fork llama.cpp; стандартная upstream-версия llama.cpp не поддерживается. ROCm, Vulkan и Metal на AMD не имеют необходимых ядер. Для практического запуска часто требуются несколько GPU или частичная выгрузка на CPU. Модель распространяется по лицензии MIT.

Модель разработана TextAttack и представляет собой DistilBERT base uncased, дообученную для классификации новостных текстов на датасете AG News. Она относит входной текст к одной из категорий новостей; модель подходит для автоматической сортировки и тематической разметки новостных материалов. Архитектура — DistilBertForSequenceClassification, веса в формате PyTorch. В карточке указаны обучение в течение пяти эпох с максимальной длиной последовательности 128 токенов и точность 0,9479 на оценочной выборке. Метаданные указывают нативный контекст до 512 токенов. Лицензия в предоставленных данных не указана.

pilotj/distilbert-base-uncased-fibe-v8-finetuned — дообученная модель семейства DistilBERT для классификации текстов. Она основана на biggy-smiley/distilbert-base-uncased-fibe-v5 и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для отнесения входного текста к классам; подробности о метках и целевых сценариях в карточке не раскрыты. Модель работает с текстом и имеет контекстное окно до 512 токенов. В README приведены результаты оценки: eval_loss 0,7672 после примерно 1,86 эпохи обучения; название обучающего набора данных отсутствует. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Eklav-0.6B-Reranker — компактный реранкер пассажей на базе Qwen3-0.6B, дообученный методом Eklav с дистилляцией рассуждений. При обучении модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ; на этапе применения подсказка учителя не используется. Для ранжирования модель генерирует рассуждение с итогом true или false, а релевантность определяется по логитам финального токена. В README описаны оценки на BRIGHT и NevIR, а также снижение вычислений обучения на 29% относительно стандартного обучения с полным следом рассуждений; приведённый результат BRIGHT на 11% ниже по nDCG@10, чем у такого базового обучения. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Она предназначена для точечного переранжирования пассажей по запросу и может применяться в поисковых системах и конвейерах retrieval-augmented generation. Контекстное окно составляет 40 960 токенов. Модель опубликована AdarshSingh7647 и основана на Qwen/Qwen3-0.6B; метаданные указывают библиотеку Transformers и возможность диалогового взаимодействия. Лицензия в предоставленных данных не указана.

Gozdi/Electra-base-squad-adversarialqa-epoch-3 — дообученная модель Google ELECTRA-base-discriminator для ответов на вопросы. Она принимает вопрос и контекст и определяет ответ в тексте; архитектура — ElectraForQuestionAnswering, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель опубликована в формате TensorFlow и подходит для извлечения ответов из предоставленных текстов. В карточке указано, что модель дообучена на неизвестном наборе данных; приведено значение Train Loss 0,5566 для эпохи 2. Подробности о данных, оценке качества, предполагаемом применении и ограничениях не описаны. Лицензия — Apache-2.0.

EmotiSpace-128 — англоязычная модель на базе BERT, разработанная автором репозитория lunahr. Она преобразует текст в нормализованный эмоциональный эмбеддинг размерности 128 и одновременно выдаёт логиты и вероятности меток эмоций в стиле GoEmotions. Модель дообучена на google-bert/bert-base-uncased с размороженными последними четырьмя слоями BERT и поддерживает контекст до 512 токенов. Модель предназначена для классификации эмоций, поиска текстов с близким эмоциональным смыслом по косинусному сходству, работы с пользовательскими эмоциональными якорями, отслеживания настроения диалога и передачи эмоциональных сигналов в системы управления тоном или просодией речи. Классификатор ограничен набором меток GoEmotions, тогда как эмбеддинги позволяют задавать собственные эмоциональные якоря, которые следует проверять для конкретного применения. Модель оценивает эмоциональный смысл текста, а не испытывает эмоции; её выводы не подходят для психологической диагностики или оценки психического здоровья. Лицензия — Apache-2.0.

gyr66/Ernie-3.0-base-chinese-finetuned-ner — модель для распознавания именованных сущностей в тексте, построенная на архитектуре ERNIE и имеющая около 144 млн параметров. Она принимает текст и классифицирует токены, что подходит для извлечения сущностей из документов и других текстовых материалов. В метаданных указан контекст до 2048 токенов; модель опубликована в формате safetensors. В README приведены результаты оценки: F1 — 0,6986, точность — 0,6511, полнота — 0,7535, accuracy — 0,9053. Автор сообщает, что модель обучалась с нуля на неизвестном наборе данных, поэтому связь с базовой моделью ERNIE-3.0-base-chinese из названия не подтверждена. Сведения о лицензии и конкретных типах сущностей отсутствуют.

EsotericSage-12B — плотная языковая модель на архитектуре Mistral, созданная yamatazen слиянием предварительно обученных моделей yamatazen/LinearWriter-12B и yamatazen/ForgottenMaid-12B методом NearSwap с помощью mergekit. Модель содержит 12,1 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста и диалоговое применение; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. В карточке отмечены английский и японский языки. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Это дообученная модель генерации текста на архитектуре Qwen3ForCausalLM, созданная Ermias Azarkhalili на базе microsoft/FastContext-1.0-4B-RL. Модель содержит около 3,7 млрд параметров и поддерживает контекст до 262 144 токенов; карточка также описывает обучение с учителем на наборе дистилляции рассуждений Claude, выполненное с помощью LoRA и Unsloth. Метаданные указывают интерфейсы чата и вызова инструментов. Модель предназначена для диалоговой генерации ответов и следования инструкциям, в том числе для сценариев с длинным контекстом и задач рассуждения. Оценка по прикладным бенчмаркам не проводилась, поэтому качество на пользовательских задачах не подтверждено. Дообучение выполнено на одном наборе инструкций, и поведение за его пределами не проверено; модель наследует смещения, ограничения знаний и ошибки базовой модели. Лицензия в предоставленных данных не указана.

Finetuned-NepBertA-NER — модель токеновой классификации, разработанная Прияншу Койралой из Synapse Technologies на основе NepBERTa. Она предназначена для распознавания именованных сущностей в непальском тексте: людей (PER), организаций (ORG) и мест (LOC), например в новостях, документах и отзывах. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. На валидационной выборке автор сообщает F1 0,89, точность 0,86 и полноту 0,90. Модель может ошибаться на незнакомых типах сущностей, в специализированных текстах, при неоднозначном контексте и на текстах не на непальском языке; для новых областей может потребоваться дообучение. Лицензия — Apache 2.0.

Модель satria-hugging-face/Fine-tuning_submission_PGABL_Satria-ego-vania — дообученная разговорная языковая модель семейства Llama, разработанная satria-hugging-face на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не описывает специализацию дообучения, качество на конкретных задачах или дополнительные ограничения, поэтому её следует рассматривать как модель общего назначения для генерации текста и чата.

Frame-VAD Multilingual MarbleNet v2.0 — компактная сверточная модель NVIDIA на архитектуре MarbleNet для обнаружения речи в аудиопотоке. Она предназначена для использования как первый этап распознавания речи, диаризации говорящих и других задач обработки аудио. Модель содержит 91,5 тыс. параметров и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Модель принимает одноканальное аудио WAV с частотой 16 кГц и поддерживает английский, испанский, французский, немецкий, русский и китайский языки. Для снижения ложных срабатываний при обучении использовались шумовые помехи, разные уровни громкости и примеры неречевых звуков. Для более устойчивых границ речи вероятности можно сглаживать и порогово классифицировать. Модель рассчитана на работу в реальном времени; NVIDIA указывает оптимизацию для GPU-систем, а также готовность к коммерческому применению. Использование регулируется NVIDIA Open Model License Agreement.

Gemma-4-26B-A4B-it-ROCmFP4-GGUF — квантизированная GGUF-версия мультимодальной модели Google Gemma-4-26B-A4B-it, опубликованная пользователем kingjones777. Модель предназначена для генерации текста и работы с изображениями; заявлена поддержка vision, а также сценариев с speculative decoding и tool calling. Архитектура MoE содержит 26 млрд параметров всего, из которых около 4 млрд активируются для каждого токена. Доступны варианты квантизации ROCmFP4 и ROCmFPX с разрядностью от 4 до 8 бит и размером примерно от 12,7 до 24,7 GiB. Для vision требуется отдельный проектор mmproj-BF16.gguf, а для speculative decoding — drafter mtp-gemma-4-26B-A4B-it-Q8_0.gguf. На AMD Strix Halo с Ryzen AI MAX+ 395, 128 ГБ unified memory и ROCm 7.2.4 заявлена скорость до 60,11 токена в секунду с MTP и до 58,33 токена в секунду без него. Основные преимущества — сочетание текстовых и визуальных возможностей, MoE-эффективность, несколько вариантов точности и высокая производительность на совместимом AMD-оборудовании. Ограничение состоит в том, что модель требует сборку llama.cpp с поддержкой ROCmFPX и не загружается в стандартные llama.cpp, Ollama или LM Studio. MTP и vision нельзя использовать одновременно, а совместимость speculative decoding может зависеть от версии сборки и платформы. Лицензия указана как Gemma; поддерживаемые языки и максимальный контекст в README не обозначены.

Gemma 4 E2B Heretic Uncensored MLX 4-bit — это мультимодальная модель для генерации текста и работы с изображениями, разработанная на основе google/gemma-4-E2B-it и опубликованная пользователем deadbydawn101. Базовая модель была изменена методом abliteration с использованием Heretic v1.2.0 и Arbitrary-Rank Ablation, после чего квантована в формат MLX 4-bit для локального запуска на устройствах Apple Silicon. Модель предназначена для офлайн-инференса, быстрого прототипирования, творческого письма, локальных агентов и edge-сценариев, где важны приватность, низкая задержка и отсутствие облачных API-вызовов. Она также поддерживает обработку изображений вместе с текстовыми запросами. Модель имеет около 2 млрд активных параметров, архитектуру Gemma4ForConditionalGeneration, контекстное окно 131 072 токена, словарь из 262 144 токенов и размер файла около 3,34 ГБ. Архитектура использует 35 слоёв: 28 со sliding attention и окном 512 токенов и 7 с full attention; предусмотрен vision encoder с размерностью 768, 16 слоями и патчами 16 пикселей. Квантование выполнено в 4-битном формате с affine-схемой и group_size=64. В README заявлены скорости около 25–40 токенов в секунду на M1 MacBook Air, 50–70 на M3 Pro и 90–120 на M4 Max, однако эти значения указаны как оценочные. К сильным сторонам относятся компактный размер, поддержка текста и изображений, длинный контекст, локальная работа на M-series Mac и существенно сниженное количество отказов по сравнению с исходной моделью: 5 из 100 против 98 из 100 в приведённом сравнении. Ограничения включают возможное изменение поведения и качества после abliteration и 4-битного квантования, а также зависимость производительности от оборудования Apple Silicon. В README указанная лицензия — Apache-2.0; для базовой Gemma приведена отдельная ссылка на условия лицензии Google.

Карточка модели armand0e/Gemma-4-E4B-it-Fable-Distill на Hugging Face совпадает с карточкой armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill, поэтому описание составлено по ней. Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

GLiNER2 Polish PII — модель извлечения именованных сущностей, разработанная на основе fastino/gliner2-privacy-filter-PII-multi и адаптированная полнопараметрическим дообучением к выявлению персональных и чувствительных данных в польском тексте. Она использует архитектуру GLiNER2 и выдаёт символьные интервалы с текстом, меткой и оценкой уверенности; поддерживает запросы по встроенной таксономии из 31 метки и пользовательским схемам. Модель предназначена для поиска кандидатов на редактирование персональных данных в документах, журналах и обучающих наборах, а также для поддержки проверки и деидентификации текста. В комплект входят три профиля порогов: сбалансированный, ориентированный на точность и экспериментальный профиль для задач приватности. Качество зависит от меток, порогов и предметной области: модель может пропускать данные, выдавать ложные срабатывания, неточно выделять границы фрагментов и хуже находить структурированные идентификаторы без контекстных подсказок. Для PESEL, NIP, REGON и IBAN рекомендуется дополнительная проверка контрольных сумм; перед применением следует оценить ошибки на данных целевого домена. Это компонент обнаружения, а не готовая система деидентификации и не гарантия соответствия GDPR. Модель распространяется по лицензии Apache-2.0.

apurvaga/go-browse-wa-qwen-7B — языковая модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и примерно 7,1 млрд параметров. Она рассчитана на генерацию текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Модель использует библиотеку Transformers и распространяется в формате safetensors. Размер её контекстного окна — 32 768 токенов. README не содержит сведений о разработчике, обучении, целевых сценариях или качестве модели. Условия лицензии в доступных данных не приведены.

ClaudioItaly/Goodenberk — объединённая диалоговая языковая модель на архитектуре Qwen2 с 7,1 млрд параметров, созданная методом SLERP с помощью mergekit из AlekseyKorshuk/ai-detection-gutenberg-human-choosed-formatted-ai-sft-qwen-7b-sft-3epochs и Orion-zhen/Qwen2.5-7B-Gutenberg-KTO. Модель предназначена для генерации текста и ответов в диалоге; в метаданных также указана поддержка интерфейса вызова инструментов. Она работает с текстом и имеет контекст длиной до 32 768 токенов. Базовые модели дообучались на текстах Gutenberg; описание базовой модели указывает на китайский и английский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.