I.14Автоматизация процессов и AI-агенты

intanm/xlmrlarge-idkmrc — модель XLM-RoBERTa Large, разработанная как дообученная версия FacebookAI/xlm-roberta-large для ответа на вопросы. Она предназначена для задач question answering и имеет около 658,7 млн параметров; архитектура — XLMRobertaForQuestionAnswering. Модель принимает текст вопроса и контекста и выдаёт ответ в текстовом виде. В карточке приведён результат на оценочном наборе: loss 1,1300. Название обучающего набора указано как None, а сведения о данных обучения, сценариях применения и ограничениях не раскрыты. Модель распространяется по лицензии MIT.

Sajjad Ayoubi создал модель ответов на вопросы на основе XLM-RoBERTa Large. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, отвечающий на вопрос. Модель предназначена для систем поиска ответов по текстовым материалам; README описывает использование через Transformers в PyTorch или TensorFlow. Модель содержит 658,7 млн параметров и поддерживает контекст длиной до 514 токенов. При ручном использовании можно получить результат «ответа нет», тогда как описанный в README pipeline не возвращает такой вариант. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

Модель yeshpanovrustem/xlm-roberta-large-kaznerd — модель распознавания именованных сущностей на казахском языке, разработанная на основе XLM-RoBERTa Large. Она дообучена в течение трёх эпох на наборе данных KazNERD и предназначена для разметки сущностей в тексте с помощью Transformers pipeline для NER. В метаданных указаны архитектура XLM-RoBERTa для классификации токенов, 658,7 млн параметров и контекст до 514 токенов. На тестовой выборке автор сообщает precision 96,49%, recall 96,86% и F1 96,67%; показатели отдельных классов различаются, например, F1 для ADAGE составляет 41,67%. Модель распространяется под лицензией CC BY 4.0. Она предназначена для распознавания сущностей на казахском языке; приведённые метрики относятся к указанному датасету и не гарантируют такое же качество на текстах других жанров.

Mohamed Rashad разработал arabic-base-nougat — модель OCR на архитектуре VisionEncoderDecoderModel, дообученную на наборе MohamedRashad/arabic-img2md от facebook/nougat-base. Она преобразует изображения страниц арабских книг в структурированный текст, в том числе с разметкой Markdown, и подходит для оцифровки арабской литературы и извлечения текста из печатных материалов. В карточке заявлена поддержка арабского и английского языков; модель опубликована в формате safetensors и распространяется по лицензии GPL-3.0. При распознавании модель может повторять или искажать текст, а также выдавать нерелевантные пути к изображениям. Контекст ограничен 2048 токенами, поэтому транскрипция длинной страницы может быть неполной. Результаты следует проверять, особенно если важна точность.

arabic-MARBERT-news-article-classification — модель Ammar-alhaj-ali для классификации арабских новостных статей. Это дообученная MARBERT на базе архитектуры BERT модель классификации последовательностей объёмом 190 млн параметров с контекстом до 512 токенов. Модель относит статью к одной из семи категорий: культура, финансы, медицина, политика, религия, спорт или технологии. Она предназначена для тематической разметки арабских новостей и построения каталогов или потоков новостей по рубрикам. Обучение проводилось на наборе SANAD: Single-Label Arabic News Articles Dataset. Для работы требуются входной текст статьи; результатом служит метка класса. Репозиторий содержит веса PyTorch и карточка предлагает использовать модель через Transformers pipeline. Лицензия в доступных данных не указана.

intanm/bert-base-multilingual-cased-idkmrc — модель BERT для ответов на вопросы, дообученная на основе google-bert/bert-base-multilingual-cased. Она предназначена для извлечения ответа из предоставленного текста по заданному вопросу. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель создана для многоязычных сценариев вопросно-ответного поиска. В карточке приведён результат оценки на наборе данных: loss 0,9374, однако название обучающего набора данных указано как None, а подробности о данных и ограничениях не приведены. Распространяется по лицензии Apache-2.0.

ml6team/bert-base-uncased-city-country-ner — модель на базе BERT, дообученная командой ML6 для распознавания названий городов и стран в предложениях. Она выполняет разметку токенов: каждому фрагменту текста присваивается одна из меток OTHER, CITY или COUNTRY. Модель подходит для извлечения упоминаний городов и стран из англоязычных текстов, например для последующей нормализации географических названий или поиска мест в сообщениях. Она содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Дообучение выполнено на пользовательском наборе данных, созданном с помощью слабой разметки Ultra-Fine Entity Typing и дополнительной очистки ложных меток. Модель принимает текст и возвращает метки токенов. Карточка описывает распознавание только городов и стран; качество для других типов сущностей и языков не заявлено. Лицензия в предоставленных данных не указана.

HooshvareLab/bert-fa-base-uncased-clf-persiannews — модель классификации персидских текстов на основе ParsBERT v2.0. Разработчики восстановили словарь и дообучили ParsBERT v1.1 на новых персидских корпусах, затем настроили модель для классификации новостей Persian News по восьми категориям, включая экономику, международные события, политику, науку и технологии, культуру и искусство, спорт, медицину и социальные темы. Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для разметки персидских новостных статей и близких по стилю текстов; в README для набора Persian News приведён результат F1 97,44. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Показатели качества приведены для конкретного набора данных Persian News; качество на других жанрах, источниках и схемах классов может отличаться.

bert-finetuned-resumes-sections — дообученная модель на основе dbmdz/bert-base-french-europeana-cased для классификации разделов резюме. Она предназначена для определения типа или раздела по текстовому фрагменту резюме. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В README приведены результаты оценки: F1 0,9548, ROC AUC 0,9732 и accuracy 0,9493. Датасет обучения не описан, поэтому эти показатели нельзя переносить на другие наборы резюме без проверки. Модель опубликована под лицензией MIT.

CAMEL 33B Combined Data SuperHOT 8K fp16 — текстовая авторегрессионная модель семейства LLaMA, опубликованная TheBloke на основе модели CAMEL AI. Репозиторий содержит веса PyTorch в формате fp16; размер модели — 32,3 млрд параметров. К базовой CAMEL-33B-Combined-Data присоединён и объединён SuperHOT LoRA от Kaio Ken, что позволяет использовать контекст до 8192 токенов при соответствующей настройке инференса. Модель предназначена для генерации текста в формате диалога: ответы ассистента, общение и выполнение инструкций. Исходную CAMEL-33B дообучали на 229 тыс. диалогов CAMEL, 100 тыс. англоязычных диалогов ShareGPT и 52 тыс. инструкций Alpaca; используется шаблон FastChat Vicuna-13B-1.1. В README приведена средняя оценка 64,2 по использованному авторами офлайн-бенчмарку, но не уточнены версия и набор тестов. Для расширенного контекста требуется поддержка SuperHOT при инференсе; в README указан `trust_remote_code=True` либо monkey patch. Модель ориентирована преимущественно на английские диалоги, а качество и безопасность ответов могут быть ограничены данными и настройками исходного чекпойнта. Лицензия в метаданных указана как `other`, без конкретизации условий.

Crystalcareai/Colbertv2 — чекпойнт ColBERTv2 на базе BERT для поиска релевантных фрагментов в больших текстовых коллекциях. ColBERT кодирует запросы и документы в последовательности контекстных векторных представлений токенов, а затем сопоставляет их оператором MaxSim. Такой поздний интерактивный поиск учитывает соответствия между отдельными токенами и может обеспечивать более точное ранжирование, чем представления всего текста одним вектором. Модель обучена для задачи ранжирования пассажей MS MARCO. Типичный сценарий — заранее проиндексировать коллекцию документов, затем по текстовому запросу получать наиболее релевантные фрагменты; README также описывает запуск сервера выдачи результатов. Архитектура — BERT, около 136,7 млн параметров, контекст до 512 токенов; веса в формате PyTorch. Карточка указывает английский язык и лицензию MIT. Для работы с крупными коллекциями требуется предварительная индексация, а скорость и качество поиска зависят от параметров поиска и инфраструктуры. Чекпойнт ориентирован на английский поиск и обучение на MS MARCO, поэтому качество на других языках и предметных областях карточкой не подтверждено.

crossencoder-camembert-L4-mmarcoFR — французская модель-реранкер, разработанная Antoine Louis. Она оценивает релевантность пары «запрос — фрагмент текста» с помощью cross-attention и выдаёт оценку от 0 до 1. Модель предназначена для второго этапа семантического поиска: после первичного отбора документов, например BM25 или плотным биэнкодером, она пересортировывает их по соответствию запросу. Модель основана на CamemBERT L4 и дообучена на французской части mMARCO — многоязычной версии MS MARCO. В обучении использовались 2,6 млн пар запросов и фрагментов с положительными и сложными отрицательными примерами. Размер модели — 62,3 млн параметров; контекст — до 514 токенов по метаданным. README указывает максимальную длину объединённой пары в 256 токенов при обучении. Модель принимает текстовые пары и выдаёт оценки релевантности; заявленный язык — французский. Модель подходит для ранжирования найденных фрагментов в поисковых системах и системах ответа на вопросы. Она не заменяет первичный поиск, поскольку должна оценивать каждую пару запроса и кандидата отдельно. Распространяется по лицензии MIT.

Hukyl/dfine-egret-x-rukopys — модель обнаружения объектов для анализа рукописных украинских страниц. Она разработана Hukyl на основе D-FINE-X и дообучена на размеченном наборе Rukopys; архитектура включает backbone HGNetV2 и декодер в стиле RT-DETR. Модель содержит около 62,7 млн параметров и распознаёт семь типов областей: рукописный и печатный текст, формулы, таблицы, аннотации, изображения и графики. Модель предназначена для поиска и классификации областей документа перед передачей распознавателям текста или формул. На отложенной выборке из 133 страниц mAP@50 составила 0,6704, а mAP@50–95 — 0,4441; качество заметно различается между классами. Модель обучали и оценивали при размере изображения 640×640; результаты для документов иных типов не проверялись. Слабыми классами являются аннотации и изображения, а малое число примеров некоторых категорий делает их метрики нестабильными. Веса распространяются по лицензии Apache-2.0; обучающие данные Rukopys указаны с лицензией CC BY 4.0.

Gam/distilbert-base-uncased-finetuned-CUAD-IE — дообученная модель семейства DistilBERT от автора репозитория Gam. Она предназначена для извлечения ответа на вопрос из текста; название указывает на связь с CUAD и извлечением информации, но карточка не раскрывает обучающий набор и сценарии применения. Модель использует архитектуру DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ. Окно контекста составляет 512 токенов. Веса доступны в формате PyTorch, лицензия — Apache-2.0. В карточке приведён результат на оценочном наборе: loss 0,0108, однако набор данных и методика оценки не описаны. Поэтому этот показатель не позволяет судить о качестве на других задачах или текстах; для работы с длинными документами может потребоваться разбивать их на фрагменты.

Карточка модели alshv/distilbert-base-uncased-finetuned-squad-d5716d28 на Hugging Face совпадает с карточкой Asynk/distilbert-base-uncased-finetuned-squad-d5716d28, поэтому описание составлено по ней. Это англоязычная модель ответов на вопросы, созданная как воспроизведение варианта DistilBERT из статьи DistilBERT. Студент distilbert-base-uncased дообучен на SQuAD v1.1 с дополнительной дистилляцией от модели lewtun/bert-base-uncased-finetuned-squad-v1, также настроенной на SQuAD. Репозиторий содержит веса PyTorch; архитектура в метаданных указана как DistilBertForMaskedLM, хотя README описывает модель для ответов на вопросы. Модель предназначена для извлечения ответа на вопрос из предоставленного текста на английском языке, например для поиска факта в документе или ответа по статье. Контекст ограничен 512 токенами. В README приведены результаты на SQuAD: Exact Match 78,4 и F1 86,5. Модель распространяется по лицензии Apache-2.0.

Distil Labs разработала Distil-Qwen3-4B-Text2SQL — дообученную модель Qwen3-4B для преобразования вопросов на естественном языке в SQL-запросы. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 262 144 токенов. В README описано обучение с дистилляцией на синтетических данных, созданных с помощью DeepSeek-V3; для запуска доступны веса в формате Safetensors и варианты GGUF, включая 4-битную квантизацию. Модель подходит для создания интерфейсов к базам данных на естественном языке, помощи в написании SQL, разговорной аналитики и обучения SQL. Она генерирует один запрос с синтаксисом SQLite, поддерживая типичные операции выборки, агрегаты, соединения, группировки и подзапросы. README сообщает о результатах оценивания, но они зависят от использованного набора данных и методики проверки. Модель обучалась только на англоязычных вопросах; лучше всего работает со схемами из одной-двух таблиц и может испытывать трудности со сложными вложенными подзапросами. Распространяется по лицензии Apache-2.0.

distilroberta-base-task-specific-distilation-on-squad — дообученная на датасете SQuAD модель DistilRoBERTa для ответов на вопросы по предоставленному контексту. Она использует архитектуру RoBERTa и содержит 95,2 млн параметров; заявленная длина контекста — 514 токенов. Подходит для извлечения ответов из текста в системах поиска по документам и вопросно-ответных интерфейсах. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки и дополнительных сведений о качестве или ограничениях, поэтому их нельзя подтвердить по доступным данным.

DuckDB-NSQL-7B-v0.1 — авторегрессионная языковая модель семейства NSQL, разработанная MotherDuck на базе Meta Llama 2 7B. Модель дополнительно предварительно обучена на общих SQL-запросах и дообучена на парах «естественный язык — DuckDB SQL». По метаданным, она содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — 16 384 токена. Модель предназначена для генерации SQL по описанию задачи на естественном языке и схеме таблиц. В отличие от систем, ограниченных запросами SELECT, она может генерировать допустимые операторы DuckDB, включая запросы для официальных расширений DuckDB. В обучающих данных — 200 тысяч синтетических пар DuckDB text-to-SQL, созданных с опорой на документацию DuckDB 0.9.2, а также преобразованные в DuckDB SQL примеры NSText2SQL. Оценка описана на специализированном бенчмарке из 75 пар. Для работы рекомендуется формат промпта из карточки модели. Модель унаследовала лицензию Llama 2; перед использованием необходимо соблюдать её условия и условия Meta для базовой модели.

Moritz Laurer подготовил многоязычную модель на архитектуре ERNIE-M для вывода о логической связи между посылкой и гипотезой (natural language inference, NLI) и классификации текста без примеров для классов. Модель содержит около 305,2 млн параметров, принимает текстовые пары и имеет контекст до 514 токенов; веса доступны в форматах PyTorch и Safetensors. Базовая ERNIE-M была предварительно обучена Baidu на основе мультиязычной RoBERTa, разработанной Meta. Модель дообучена на английском MNLI и профессионально переведённых примерах XNLI. Её можно использовать для присвоения тексту меток из заданного списка, проверки следования гипотезы из посылки и подобных задач на разных языках. В карточке заявлена поддержка NLI на 100 языках; оценка на XNLI приведена для 15 языков. По README, среди моделей сопоставимого размера она превосходит RoBERTa, но уступает mDeBERTa-v3-base-mnli-xnli на XNLI. Модель предназначена для классификации и анализа текстов, а не для генерации ответов. Качество переноса на языки, отсутствовавшие в XNLI, может быть ниже; NLI также подвержена смещениям, связанным с данными и задачей. Лицензия — Apache-2.0.

Fun-ASR-Nano-2512 — модель автоматического распознавания речи, разработанная командой FunAudioLLM в Tongyi Lab. Репозиторий bezzam/Fun-ASR-Nano-2512-hf содержит вариант модели для Transformers; исходная модель построена как система ASR на основе аудиоэнкодера и языковой модели-декодера, включает около 800 млн параметров и распространяется под лицензией Apache-2.0. Модель преобразует речь в текст, поддерживает китайский, английский и японский языки, китайские диалекты и региональные акценты, а также распознавание пения и рэпа. Разработчик указывает сценарии распознавания в шумной обстановке и потоковой транскрипции с низкой задержкой. Карточка HF отмечает ограничение текущего HF-чекпойнта: для транскрипции он пригоден, но путь CTC отключён, поэтому временные метки и диаризация могут быть недоступны или ненадёжны.

cstr/funasr-nano-GGUF — это GGUF-версия модели Fun-ASR-Nano-2512, разработанной Alibaba и FunAudioLLM и перепакованной для работы с backend funasr в CrispASR. Модель предназначена для автоматического распознавания и транскрибации речи на китайском (мандарин и кантонский), английском, японском и корейском языках. Архитектура включает 70-блочный SANM-энкодер SenseVoiceSmall, двухблочный Transformer-аудиоадаптер и декодер на базе Qwen3-0.6B с 28 слоями и GQA. Речь передаётся в языковую модель через ChatML-промпт, а генерация выполняется авторегрессионно с использованием KV-кэша. В репозитории доступны варианты F16, Q8_0 и Q4_K; последний имеет размер около 897 МБ и рекомендован как вариант по умолчанию. Опубликованные веса используют только путь через LLM-декодер, без рабочего CTC-декодера. Модель подходит для локальной транскрибации аудиозаписей и интеграции в приложения через CrispASR. Сильными сторонами являются компактный размер, поддержка нескольких языков и близкое к исходному качество у квантованных вариантов. Ограничение — английский вывод может быть в верхнем регистре и без пунктуации; для нормализации регистра и расстановки знаков препинания требуется отдельная модель. Код распространяется по Apache-2.0, а веса — по FunASR Model License v1.1: коммерческое использование разрешено при указании авторства Alibaba и FunAudioLLM.

Functionary-small-v3.2-GGUF — это набор GGUF-квантизированных версий языковой модели functionary-small-v3.2, разработанной meetkai и преобразованной в GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и запуска локально через совместимые среды, включая LM Studio. В README также указан специальный формат промптов с ролями system, user и assistant, что позволяет использовать модель в диалоговых сценариях и задачах, требующих структурированного взаимодействия с функциями. Доступны варианты с разными уровнями квантизации: от F32 размером 32,13 ГБ до IQ2_M размером 2,95 ГБ. Наиболее качественными названы Q6_K_L и Q6_K, а Q4_K_M описан как вариант по умолчанию для случаев, где важен баланс размера и качества. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в предоставленных данных не указаны. Модель распространяется по лицензии MIT. Ключевое преимущество этой версии — широкий выбор квантизаций для локального запуска с различными требованиями к памяти; ограничениями являются снижение качества у малых вариантов и отсутствие подробных сведений о базовой архитектуре и функциональных возможностях. Для корректной работы следует использовать указанный формат промптов и совместимый рантайм, например llama.cpp или LM Studio.

Jasper505/Gaia — дообученная языковая модель семейства Llama, разработанная Jasper505 на базе unsloth/llama-3.2-1b-instruct-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и поддерживает контекст до 131072 токенов. Указанный язык — английский. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не описывает специализированную область применения или сравнительные результаты, поэтому качество ответов и пригодность для конкретных задач следует оценивать отдельно.

Gemma 4 26B A4B IT Assistant — мультимодальная модель с открытыми весами от Google DeepMind, представленная как MTP-драфтер для семейства Gemma 4. Драфтер используется в спекулятивном декодировании: он предсказывает несколько токенов вперёд, а целевая модель проверяет их параллельно. По карточке семейства, этот вариант имеет архитектуру MoE размером 26B A4B и предназначен для инструкционного взаимодействия и ускорения генерации с сохранением качества целевой модели. Модель подходит для диалога, генерации и редактирования текста, программирования, рассуждений и агентных сценариев с вызовом функций. Семейство Gemma 4 принимает текст и изображения, поддерживает анализ видео; заявленная поддержка аудио относится к вариантам E2B, E4B и 12B, поэтому её нельзя переносить на этот чекпойнт. Для 26B A4B в карточке указано контекстное окно до 256K токенов, а семейство обучено на более чем 140 языках. Ключевое назначение этого чекпойнта — снизить задержку генерации в совместимом конвейере спекулятивного декодирования; заявлено ускорение до 3 раз. Для работы требуется целевая модель и поддержка MTP-декодирования, поэтому чекпойнт не является самостоятельной заменой полной модели Gemma 4. Лицензия — Apache 2.0.

avemio/German-RAG-x-HERMES-LLAMA-MERGED-EXP — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе немецкоязычной модели GRAG-LLAMA-3.1-8B-CPT-HESSIAN-AI с добавлением GRAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI и Hermes 3 Llama 3.1 8B от Nous Research. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев RAG на немецком языке; Hermes 3 в составе слияния добавляет диалоговые и инструкционные возможности. Для работы требуются Transformers и формат весов safetensors; в модели используется шаблон чата ChatML. Карточка не сообщает результаты оценки качества. Лицензия в предоставленных данных не указана.

TURKCELL разработала модель классификации текста на основе дообученной dbmdz/bert-base-turkish-128k-uncased. Она определяет, является ли предложение бессмысленным набором символов или осмысленным текстом, например распознаёт строки вроде «adssnfjnfjn». Модель подходит для проверки пользовательского ввода и фильтрации бессмысленных строк. Она основана на архитектуре BERT, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT.

GLiNER Guard — компактная мультиязычная модель-энкодер, разработанная HiveTrace на архитектуре GLiNER2 и основанная на jhu-clsp/mmBERT-small. Модель содержит 145 млн параметров и предназначена для классификации и извлечения сущностей в задачах защиты LLM-приложений; для работы не требуется генеративная LLM. За один проход модель классифицирует безопасные и вредоносные сообщения, извлекает персональные данные и обнаруживает попытки jailbreak, prompt injection и другие атаки. Также она определяет категории вредоносного контента, намерение и тон сообщения. Zero-shot-обобщение позволяет задавать собственные метки, однако для меток за пределами перечисленных в карточке таксономий результаты не оценивались. Карточка указывает поддержку английского и русского языков. Модель распространяется в формате safetensors по лицензии Apache 2.0. README отмечает, что инструкция по установке пока не завершена.

mlx-community/GLM-OCR-4bit — это 4-битная версия модели GLM-OCR, преобразованная сообществом mlx-community из исходной модели zai-org/GLM-OCR в формат MLX с использованием mlx-vlm версии 0.3.10. Модель предназначена для преобразования изображений в текст и может применяться, например, для распознавания и описания содержимого изображений. Модель поддерживает китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. Она относится к классу image-to-text и предназначена для запуска через библиотеку mlx-vlm на совместимом с MLX оборудовании. Из доступных данных не указаны архитектура исходной модели, количество параметров, максимальная длина контекста, точные возможности распознавания документов и таблиц, а также количественные показатели качества. Ключевая особенность варианта — 4-битное квантование и формат MLX, что может снизить требования к памяти и упростить локальный запуск, но потенциально ограничивает точность по сравнению с полноразмерной версией. Лицензия модели — MIT. Для подробностей об архитектуре и ограничениях следует обращаться к карточке исходной модели zai-org/GLM-OCR.

GolemPII-v1 — модель CordwainerSmith для выявления и классификации персональных данных в тексте на иврите. Она дообучена для токеновой классификации на базе XLM-RoBERTa-base и корпуса GolemGuard: Hebrew Privacy Information Detection Corpus. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для отдельных токенов; максимальная длина контекста — 514 токенов. Модель предназначена для обнаружения и маскирования персональных данных, автоматического обезличивания документов и исследований по обработке иврита. В карточке приведены высокие результаты оценки на тестовых данных, однако они не гарантируют такую же точность на других источниках и типах текста. Репозиторий распространяется по лицензии MIT.

davidkim205/hades-2-2b — дообученная модель на базе unsloth/gemma-4-E2B-it, созданная для классификации новостных статей и извлечения названий компаний. Модель класса 2B обучалась методом ORPO на небольшой внутренней выборке примерно из 1,6 тыс. примеров на корейском и английском языках; веса представлены в формате BF16. Модель принимает текст статьи, обычно заголовок и основной текст, и формирует JSON-подобный ответ для извлечения компаний, отнесения статьи к одному или нескольким разделам и выбора экономической либо неэкономической категории. Внутренняя оценка на 1 207 примерах показала улучшение общей точности относительно базовой модели, однако результаты различаются между задачами и языками. Рекомендуемая длина контекста — до 16 384 токенов, хотя базовая конфигурация поддерживает до 131 072 токенов. Модель подходит для классификации новостного потока и извлечения упоминаемых компаний. Она обучена на небольшой внутренней выборке, поэтому качество на других форматах статей, схемах меток, языках и предметных областях может отличаться; корректность JSON не гарантируется. Лицензия — Gemma.