I.14Автоматизация процессов и AI-агенты

Карточка модели localized-ft/OLMo-3-7B-bad-medical-advice-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-bad-medical-advice-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OneBrain Rerank v1 — мультиязычная модель переранжирования от OneBrain, созданная на основе BAAI/bge-reranker-v2-m3. Это cross-encoder для второго этапа поиска: модель получает пару «запрос — фрагмент текста» отобранных BM25- или векторным поиском кандидатов и вычисляет показатель релевантности. Она не предназначена для первичного поиска и не создаёт векторные эмбеддинги. Модель представляет собой оптимизированную сборку в формате ONNX с динамической int8-квантизацией, рассчитанную прежде всего на локальный инференс на CPU, включая устройства уровня Raspberry Pi. Размер файла модели составляет около 569 МБ против 2,27 ГБ у fp32-экспорта. На выходе формируется необработанный logit для каждой пары; после применения sigmoid получается оценка релевантности от 0 до 1. Максимальная длина входа — 512 токенов, поэтому более длинные фрагменты обрезаются. Поддержка Thai и English унаследована от базовой модели. Сильные стороны модели — уменьшенный размер, более низкая стоимость CPU-инференса и сохранение порядка ранжирования относительно fp32-версии; на приведённых проверочных парах максимальное изменение sigmoid-оценки составило 0,0046. При этом v1 не дообучалась под конкретный домен, а её оценка проводилась только на внутреннем наборе OneBrain, поэтому публичные показатели MTEB, BEIR или MIRACL отсутствуют. Модель предназначена для переранжирования небольшого числа кандидатов и не является заменой полноценному поисковому или embedding-компоненту. Распространяется по лицензии Apache-2.0.

gaudi/opus-mt-en-zh-ctranslate2 — конвертированная в формат CTranslate2 модель машинного перевода, основанная на Opus-MT от Helsinki-NLP. Репозиторий подготовлен с использованием CTranslate2 и работы michaelfeil; архитектура относится к семейству Marian и использует схему «кодировщик—декодировщик». Модель предназначена для перевода с английского на китайский. Формат CTranslate2 рассчитан на ускоренный вывод и снижение потребления памяти на CPU и GPU; README указывает режимы вычислений int8 для CPU и int8_float16 для CUDA. Приведённые в карточке бенчмарки относятся к другим общим конфигурациям Opus-MT, поэтому их показатели не подтверждают скорость именно этой модели. README также сообщает о возможном снижении качества перевода после конвертации и квантования. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-ar-en — модель машинного перевода проекта OPUS-MT, разработанная с использованием Marian NMT и опубликованная в формате Transformers. Она переводит арабский текст на английский; для арабского указаны варианты afb, ara и arz. Модель построена на архитектуре Transformer-big с 163,2 млн параметров, использует SentencePiece с размером словаря 32 тыс. токенов и имеет контекст до 1024 токенов. Модель предназначена для перевода предложений и текстов с арабского на английский в приложениях на базе Transformers. Обучающие данные взяты из OPUS, включая обратный перевод; в README приведены оценки на тестовых наборах Tatoeba, FLORES-101 и TICO-19. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — CC BY 4.0. Модель специализируется на одной языковой паре и направлении перевода. Качество может различаться в зависимости от тематики и входных данных; опубликованные оценки относятся к указанным тестовым наборам и не гарантируют качество для любого текста.

Helsinki-NLP/opus-mt-tc-big-hu-en — модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и опубликованная Helsinki-NLP. Она переводит текст с венгерского на английский и предназначена для интеграции в приложения и сервисы перевода. Модель использует архитектуру Transformer-big, около 159 млн параметров и токенизацию SentencePiece; длина контекста — до 1024 токенов. Для обучения использованы данные OPUS и корпус opusTCv20210807+bt. В README приведены оценки на тестовых наборах Tatoeba, FLORES-101 и Newssyscomb2009. Веса доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — CC BY 4.0; при использовании следует учитывать требования атрибуции. Модель предназначена для перевода в направлении венгерский → английский, поэтому не следует полагаться на неё для обратного перевода или других языковых пар без отдельной проверки.

Helsinki-NLP/opus-mt-tc-big-zlw-en — модель машинного перевода проекта OPUS-MT, разработанная на основе Marian NMT и преобразованная для использования с библиотекой Transformers. Она переводит тексты с западнославянских языков на английский: чешского, нижнелужицкого, верхнелужицкого и польского. Архитектура — Transformer-big на базе Marian, размер — 160,2 млн параметров; для токенизации используется SentencePiece. Максимальная длина контекста — 1024 токена. Модель предназначена для автоматического перевода предложений и текстов, в том числе в приложениях на Transformers. Она обучена на данных OPUS с применением процедур OPUS-MT-train; в README приведены результаты тестирования для чешского и польского языков. Репозиторий доступен в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — CC-BY-4.0, при использовании авторы просят цитировать публикации проекта.

Ornith-1.5-9B-SFT-Fable5-Glint — дообученная модель на базе Ornith AI Ornith-1.5-9B, разработанная ermiaazarkhalili. Это плотная модель архитектуры Qwen3_5ForConditionalGeneration с 9,4 млрд параметров, обученная методом SFT с LoRA на наборе инструкций Fable-5-Glint-Clean. Репозиторий содержит safetensors, а метаданные указывают на применение Transformers и интерфейс чата с вызовом инструментов. Модель предназначена для генерации текста в диалоговых сценариях и следования инструкциям, представленным в обучающем наборе. Карточка сообщает о 1 554 шагах обучения и снижении training loss с 0,9980 до 0,6284; эти значения не являются оценкой качества на практических задачах. Адаптер LoRA объединён с базовыми весами, поэтому отдельно отключить дообучение нельзя. Модель унаследовала ограничения и смещения базовой модели. Её поведение вне распределения единственного набора инструкций не проверено, а бенчмарки не проводились. Лицензия — MIT.

mlx-community/parakeet-ctc-0.6b — версия модели Parakeet-CTC-0.6b, подготовленная сообществом mlx-community в формате MLX из nvidia/parakeet-ctc-0.6b. Это модель распознавания речи на архитектуре FastConformer с CTC, предназначенная для преобразования аудио в текст и доступная через библиотеки parakeet-mlx и mlx-audio. Базовая модель от NVIDIA NeMo и Suno.ai распознаёт английскую речь. Репозиторий использует библиотеку MLX и содержит веса в формате safetensors; в карточке указана лицензия CC BY 4.0. Подробности об условиях работы и характеристиках распознавания приведены в карточке исходной модели.

Это модель SentenceTransformer на архитектуре BERT, дообученная Yahya Abd на наборе statictable-pair-class от sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Особенно подходит для сопоставления запросов с названиями и описаниями статистических таблиц; в README приведены примеры на индонезийском языке и метрики поиска на наборе bps-statictable-ir. Модель принимает текст и возвращает эмбеддинги; для сравнения в README указана косинусная близость. Базовая модель поддерживает множество языков, а модель имеет ограничение контекста 512 токенов по метаданным; README указывает максимальную длину последовательности 128 токенов. Размер — 124,3 млн параметров. Распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

PE-Core-S-16-384 — версия модели Perception Encoder, разработанной Meta и преобразованной для OpenCLIP. Это контрастивный энкодер изображений и текста: он кодирует изображения и текстовые описания в общее пространство признаков для сопоставления и классификации по пользовательским категориям. Вариант S/16 принимает изображения с разрешением 384 пикселя; в семействе PE Core используются визуальный энкодер с блоком attention pooling и текстовый энкодер. Модель предназначена для классификации изображений без обучения на целевых классах, поиска изображений по тексту и поиска текстовых описаний по изображению. В карточке также приведены результаты для видео-классификации и поиска, однако метаданные этой версии указывают основной сценарий как zero-shot image classification. Модель доступна в форматах PyTorch и safetensors, использует библиотеку OpenCLIP и распространяется по лицензии Apache-2.0. В README не приведено точное число параметров варианта S/16, поэтому размер модели здесь не указан.

piedomains-text — многоязычный классификатор веб-сайтов, разработанный авторами проекта piedomains. Он определяет категории сайта по тексту его главной страницы и предназначен для автоматической классификации доменов по 44 категориям; результат может включать несколько категорий, если вероятности превышают заданный порог. Модель основана на ModernBERT, дообучена на jhu-clsp/mmBERT-base, содержит 306,9 млн параметров и принимает контекст до 8192 токенов. На отложенной выборке из 4382 документов точность составила 0,818, а macro-F1 — 0,758; температурная калибровка снизила ECE с 0,0490 до 0,0168. Модель намеренно допускает пересечение категорий, например, сайт автодилера может относиться и к покупкам, и к автомобилям. Известен существенный дефект: метка drugs часто ошибочно присваивается обычным интернет-магазинам; авторы также отмечают слабые результаты для категорий urlshortener, library, socialnet и shopping. Лицензия — MIT.

pii-layout-synth-v2 — дообученная модель на базе answerdotai/ModernBERT-base, разработчик — jefftherover. Она предназначена для классификации токенов; название модели указывает на синтетические данные для разметки персональной информации с учётом структуры документа, но README не описывает конкретные метки или сценарии применения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. Доступны веса в формате safetensors. В README приведены результаты оценки: F1 0,9890, precision 0,9870, recall 0,9911 и accuracy 0,9982. Датасет и условия оценки не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

google/pix2struct-textcaps-large — крупная модель семейства Pix2Struct от Google для создания текстовых описаний изображений. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст; предварительное обучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML. Модель принимает изображение и генерирует текст, в том числе подпись к изображению; семейство также применяют к визуальным вопросам и задачам понимания документов, иллюстраций, интерфейсов и обычных фотографий. В README указана обучающая длина последовательности 4096; при уменьшении числа патчей для экономии памяти качество может снижаться, особенно при значениях ниже 1024. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации текстовых строк, разработанная командой PaddlePaddle для экосистемы PaddleOCR. Она предназначена для определения направления текста на изображении и его последующей коррекции перед OCR-обработкой, что особенно полезно при сканировании документов и фотографировании удостоверений, сертификатов и других материалов, когда устройство может быть повернуто. Модель основана на архитектуре PP-LCNet и классифицирует два варианта ориентации: 0 и 180 градусов. Средний показатель точности составляет 98,85%, размер модели — около 0,96 МБ. В карточке указаны языки en и zh, однако основная функция модели не распознавание текста, а классификация его ориентации. Предусмотрено использование через PaddleOCR с движком ONNX Runtime; модель принимает изображения текстовых строк и поддерживает пакетную обработку. Сильными сторонами являются компактный размер, высокая точность и пригодность для предварительной коррекции изображений в OCR-конвейерах. Ограничение модели — поддержка только двух направлений, поэтому она не предназначена для классификации произвольных углов поворота или полноценного распознавания текста. Модель распространяется по лицензии Apache-2.0.

OpenMed подготовила 8-битную MLX-версию OpenAI Privacy Filter для локального обнаружения персональных данных в тексте на устройствах Apple с Apple Silicon. Это двунаправленная модель классификации токенов с архитектурой MoE и исходной BIOES-головой разметки; модель насчитывает 145,4 млн параметров и рассчитана на контекст до 131 072 токенов. Веса сохранены в safetensors и сжаты аффинной квантизацией до 8 бит с размером группы 64. Для токенизации используются ресурсы o200k_base. Модель отмечает имена, адреса, даты, электронную почту, телефоны, URL, номера счетов и секреты, чтобы затем можно было маскировать найденные фрагменты. После загрузки артефакта обработка выполняется локально через OpenMed и MLX, без отправки текста документа на сервер. README сообщает об одинаковых сгруппированных фрагментах на проверенных примерах для BF16- и Q8-версий. Для медицинских, юридических, финансовых и других высокорисковых сценариев качество следует проверить на собственных данных и в соответствии с применимыми правилами. Лицензия — Apache-2.0.

sallani/PrivaMesh, также называемая PrivaMesh Legal, — специализированная Small Language Model для семантического обнаружения и анонимизации персональных, конфиденциальных и регулируемых данных в юридических, комплаенс- и нормативных документах. Модель предназначена для юридических фирм, банков, финансовых организаций, медицинских учреждений, государственных органов и провайдеров управляемых сервисов безопасности. Она сохраняет юридический смысл, структуру документа и ссылки на нормы права, заменяя идентификаторы семантически согласованными плейсхолдерами. Модель основана на Mistral-Small-3.1, подключается через библиотеку Transformers и реализует задачу token classification. Заявлены поддержка французского и английского языков, контекст до 32 тысяч токенов и распознавание 24 категорий PII. В карточке также указаны метрики F1 97,3% и BERTScore 94,1%, однако подробности тестирования в предоставленных данных отсутствуют. Модель ориентирована на локальное и суверенное развёртывание, включая on-premise-сценарии, что позволяет обрабатывать чувствительные документы без передачи данных во внешние сервисы. Сильными сторонами являются специализация на юридической и регуляторной лексике, сохранение семантического контекста, поддержка французского языка и пригодность для построения приватных пайплайнов с downstream LLM и агентными системами. Ограничения включают зависимость качества от домена, языка и полноты распознаваемых категорий, а также необходимость проверять заявленные показатели на собственных данных; в предоставленной карточке не приведены сведения о точном числе параметров, аппаратных требованиях и детальных результатах сравнительных тестов. Модель распространяется по лицензии Apache 2.0.

Qandora-2.5-7B-Creative — объединённая модель для генерации текста, созданная автором репозитория с помощью mergekit методом passthrough на основе bunnycore/Qandora-2.5-7B и bunnycore/Qwen-2.1-7b-Persona-lora_model. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers; метаданные также отмечают чатовые возможности и интерфейс вызова инструментов. Модель подходит для диалоговой генерации и творческих текстовых задач. В карточке не приведены результаты оценки качества, подробное описание навыков или языковой охват, поэтому нельзя уверенно судить о качестве для отдельных жанров и языков. Лицензия в предоставленных данных не указана.

Модель anggapradana/qwen2-5-1-5b-grpo-id разработана anggapradana как дообученная версия anggapradana/qwen2-5-1-5b-alpaca-id на архитектуре Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет до 32 768 токенов. Модель предназначена для текстовых запросов и генерации ответов в диалоговых сценариях. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель принимает и выдаёт текст; в метаданных отмечен английский язык, а идентификатор базовой модели содержит указание на индонезийскую Alpaca-версию, поэтому её пригодность для индонезийского языка вероятна, но отдельно не подтверждена. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или конкретных ограничений; параметры и длительность контекста сами по себе не гарантируют точность ответов или надёжность вызова инструментов.

Карточка модели JosephNguyen/Qwen2.5-7B-Instruct-reasoning-finetuned на Hugging Face совпадает с карточкой JosephNguyen/Qwen2.5-7B-Instruct-finetuned, поэтому описание составлено по ней. Qwen2.5-7B-Instruct-finetuned — дообученная модель JosephNguyen на базе unsloth/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалогов и генерации текста; заявлена поддержка интерфейса вызова инструментов. Модель принимает текст и выдаёт текст, работает с английским языком и имеет контекст до 32 768 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Конкретные специализация дообучения и результаты оценки качества не описаны, поэтому возможности базовой модели — генерация кода и структурированных ответов — не следует считать подтверждёнными характеристиками этого варианта. Распространяется по лицензии Apache-2.0.

luckysong777/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная авторегрессионная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. В README указано, что модель обучалась с помощью Unsloth и библиотеки TRL; число параметров — 507,9 млн, нативное окно контекста — 40 960 токенов. Модель предназначена для генерации текста в формате JSON и диалогового взаимодействия. Описание базовой модели указывает на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний; применимость этих сценариев к данной производной модели вероятна, но отдельные результаты её обучения в карточке не приведены. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. Английский указан среди языков карточки, а описание базовой модели связывает её с корейскими протоколами; точное качество и ограничения извлечения для этой версии в README не описаны.

ESarp/Qwen3-4B-AttackTree-DPO — дообученная ESarp языковая модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. В качестве основы указана unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL.

Qwen3.8-Flash-Next-NVFP4-Abliterated — разговорная генеративная модель семейства Qwen, опубликованная huginnfork. Это производная от local-inference-lab/Qwen3.8-Flash-Next-NVFP4: к квантованным весам применено направленное изменение, снижающее склонность модели к отказам. В README описана модель с плотной архитектурой Qwen4ExpForConditionalGeneration, доступная в формате safetensors ModelOpt; метаданные указывают поддержку чата и интерфейса вызова инструментов. Модель предназначена для генерации ответов в диалоге и выполнения запросов через интерфейс чата. Изменение поведения намеренно повышает вероятность ответов на запросы, от которых исходная модель могла отказаться; заявленные в README измерения характеризуют поведение отказов и не подтверждают безопасность или качество во всех сценариях. README указывает, что квантованные тензоры редактировались с повторным квантованием с ограничениями, а формат и размер тензоров сохранены относительно родительского чекпойнта. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных. Контекстное окно, размер модели и поддерживаемые естественные языки в предоставленных источниках не приведены.

rank1-7b — реранкер для информационного поиска, разработанный командой JHU CLSP. Модель построена на Qwen2.5-7B и дообучена на rank1-training-data; её архитектура — плотная Qwen2 с 7,1 млрд параметров. Карточка указывает контекстное окно 131 072 токена и формат весов safetensors. Модель получает запрос и документ, генерирует цепочку рассуждений, затем выносит бинарное суждение о релевантности и вычисляет оценку уверенности по логитам токенов true и false. Такой подход предназначен для повторного ранжирования найденных документов, особенно когда соответствие запросу требует сложного анализа. Модель заявлена совместимой с бенчмаркингом MTEB; README сообщает о сильных результатах на задачах поиска, требующих рассуждений, но не приводит конкретных чисел. Основной язык карточки — английский. Для запуска приведён пример интеграции через MTEB и библиотеку rank1; метаданные также указывают Transformers. Лицензия — MIT. Генерация промежуточных рассуждений и обработка пар запрос-документ могут требовать больше вычислений, чем у реранкеров, сразу выдающих оценку; опубликованных в карточке количественных сравнений производительности нет.

timm/resnet50_clip.cc12m — модель семейства CLIP с визуальным энкодером ResNet-50, представленная как совместимая с open_clip и timm. Она обучена на наборе CC12M и предназначена для классификации изображений по текстовым описаниям без обучения на конкретных классах: модель сопоставляет изображение с предложенными текстовыми вариантами. Репозиторий доступен в форматах PyTorch и Safetensors; лицензия — MIT. Модель подходит для поиска по изображениям и отнесения изображений к заданным категориям с помощью текстовых меток. Карточка не сообщает размер модели, языковую поддержку или ограничения качества; результаты могут зависеть от формулировок текстовых описаний и набора предложенных классов.