I.14Автоматизация процессов и AI-агенты

SigLIP 2 Base — модель визуального энкодера, разработанная Google. Она предназначена для сопоставления изображений и текста, классификации изображений по заданным текстовым меткам без специального дообучения, а также для использования в качестве визуального энкодера в мультимодальных моделях и других задачах компьютерного зрения. Модель относится к семейству SigLIP, имеет плотную архитектуру и доступна в формате safetensors для библиотеки Transformers. Предобучение выполнено на наборе WebLI с использованием объединённой схемы обучения, расширяющей подход SigLIP методами для улучшения семантического понимания, локализации и плотных визуальных признаков. README также указывает на пригодность модели для поиска соответствий между изображениями и текстом. Лицензия — Apache 2.0. Модель принимает изображения и текстовые кандидаты или запросы и выдаёт оценки соответствия, которые можно использовать для ранжирования меток и поиска пар изображение—текст. В карточке не приведены численный размер модели, длина контекста и перечень поддерживаемых естественных языков.

SigLIP 2 Base — базовая модель семейства SigLIP 2 от Google, предназначенная для сопоставления изображений и текста. Это плотная vision-архитектура; вариант patch16-384 принимает изображения с разрешением 384 пикселя и обучен на датасете WebLI с использованием объединённой схемы предобучения SigLIP и ранее разработанных методов. Модель подходит для классификации изображений по произвольным текстовым меткам без дополнительного обучения, поиска изображений по тексту и текста по изображению, а также как визуальный энкодер для VLM и других компьютерно-зрительных задач. В README отмечены улучшенное семантическое понимание, локализация и извлечение плотных признаков. Модель распространяется под лицензией Apache-2.0. README не приводит численный размер модели или результаты оценки, поэтому их нельзя уточнить по доступным сведениям.

SigLIP 2 So400m — модель визуального энкодера от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для понимания связей между изображениями и текстом. Модель поддерживает классификацию изображений по заданным текстовым меткам без специального дообучения, поиск изображений по текстовому запросу и использование в качестве визуального энкодера для VLM и других задач компьютерного зрения. Модель принимает изображения и текстовые метки или запросы, сопоставляет их семантически и выдаёт оценки соответствия. Вариант So400m использует патчи 14 × 14 и входное разрешение 224 × 224. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий.

Veritone/siglip2-so400m-patch14-224-text — текстовая башня модели SigLIP 2 So400m, разработанной Google и опубликованной Veritone как отдельный компонент. Она кодирует текстовые запросы в общее пространство эмбеддингов для сопоставления с представлениями изображений, полученными совместимой моделью Veritone/siglip2-so400m-patch14-224-vision. Такое разделение позволяет загружать только нужную башню при поиске и сокращать расход памяти и время загрузки. Модель предназначена для zero-shot классификации изображений и поиска по соответствию текста и изображения; для этих сценариев требуется совместимая башня изображений. Также текстовый энкодер может применяться как часть систем с визуальным вводом. Архитектура — SigLIP 2 So400m, класс SiglipModel; опубликованные веса в формате safetensors, библиотека — Transformers. По карточке модель предобучена на WebLI. Лицензия — Apache-2.0. Метаданные указывают контекст 64 токена.

zeromodels/siglip_base_p16_256 — конверсия SigLIP от Google в формате Keras 3, подготовленная для zeromodels. Это двухэнкодерная модель зрения и текста, обученная сопоставлять изображения с текстовыми описаниями с помощью попарной сигмоидной функции потерь. Она предназначена для классификации изображений без примеров: при выводе модель получает изображения и текстовые подсказки и оценивает их соответствие. Реализация работает с TensorFlow, Torch и JAX; базовая модель — google/siglip-base-patch16-256. Лицензия — Apache 2.0.

SLM-SQL-0.5B — компактная языковая модель команды SLM-SQL для преобразования вопросов на естественном языке в SQL-запросы. Она основана на Qwen2.5-Coder-0.5B-Instruct и содержит около 494 млн параметров. Модель дообучена с помощью supervised fine-tuning и GRPO; в исследовании также применялся подход corrective self-consistency для получения ответов. Репозиторий содержит веса Safetensors, модель использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации SQL по текстовым вопросам, в том числе для сценариев, где важны быстрая инференция и развёртывание на устройствах с ограниченными ресурсами. В README сообщается о точности выполнения 56,87% на наборе BIRD dev для версии 0.5B; этот результат относится к описанной экспериментальной оценке и не гарантирует качество на других базах данных. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

rishiraj/smolified-tiny-text-to-sql — компактная языковая модель от Smolify Foundry для преобразования запросов на естественном языке в SQL. В README она описана как доменная DSLM, созданная методом дистилляции reasoning-моделей и рассчитанная на запуск на CPU/NPU и в средах с ограниченной видеопамятью. Метаданные указывают архитектуру Gemma 3 Text с причинно-языковой моделью Gemma3ForCausalLM, 257 млн параметров и контекст до 32 768 токенов; модель принимает текст и генерирует текст. Репозиторий содержит веса safetensors и заявляет оптимизацию с 4-битной квантизацией и смешанной точностью FP16. README указывает совместимость со стандартными средствами инференса, включая vLLM. Модель может помогать формировать SQL по текстовому описанию, однако карточка не сообщает о поддерживаемых СУБД, точности, обучающих данных или проверке безопасности сгенерированных запросов. Лицензия — Apache-2.0.

darioooooo0o представил экспериментальную версию Spark-X2.5-1.7B с модулем условной памяти Engram для генерации кода и алгоритмических рассуждений. Базовая модель Spark-X2.5-1.7B на 1,7 млрд параметров остаётся замороженной; к ней добавлен обученный модуль памяти с многоголовым хешированием n-грамм. В README заявлен контекст до 1 048 576 токенов для базовой модели. Модуль обучен на 25 млн токенов из нескольких наборов данных с кодом. В README приведено предварительное улучшение на валидационной выборке и HumanEval, но автор предупреждает, что модуль сильно недообучен, а результаты предварительные. Модель предназначена прежде всего для генерации кода на нескольких языках программирования; метаданные также указывают на диалоговые и агентные возможности. Репозиторий распространяется под лицензией Apache-2.0.

SPLADE-max CamemBERT-base mMARCO-FR — франкоязычная модель для семантического поиска, разработанная и дообученная на французской части mMARCO. Она преобразует запросы и документы в разреженные векторы размерностью 32 000, а релевантность оценивает по косинусному сходству. Модель основана на almanach/camembert-base и содержит 137,8 млн параметров; архитектура CamemBERT использует masked language modeling. Контекст модели — до 514 токенов. Модель предназначена для поиска релевантных документов по запросам на французском языке, в том числе в больших коллекциях текстов. Обучение проводилось на парах запросов и passages из mMARCO с ранжирующей функцией потерь InfoNCE и регуляризацией разреженности FLOPS. В README приведена оценка на dev-наборе mMARCO-FR с 6 980 запросами и корпусом из 8,8 млн passages. Лицензия — MIT. Оценка качества описана для французского набора mMARCO; результаты на других языках и типах данных в карточке не приведены. Для поискового применения модель формирует разреженные векторы, поэтому при интеграции нужно обеспечить совместимый способ вычисления сходства и поиска.

Starling-LM-7B-beta-laser-dpo — англоязычная диалоговая языковая модель команды Nexusflow, основанная на архитектуре Mistral и содержащая 7,1 млрд параметров. Она создана на базе OpenChat-3.5-0106 и обучена с использованием RLAIF и PPO; в этой версии частично замораживали параметры по анализу laserRMT, чтобы снизить забывание ранее усвоенных знаний при обучении новым навыкам, например вызову функций. Модель предназначена для генерации ответов в диалоге и использования в чат-сценариях. Для качества ответов важно применять шаблон беседы OpenChat-3.5-0106; иногда ответы могут быть многословными. Доступны веса в форматах PyTorch и Safetensors, контекст — до 8192 токенов. Лицензия указана как Apache-2.0, однако README оговаривает условие, запрещающее использование модели для конкуренции с OpenAI.

T3Q-Platypus-SOLAR — языковая модель, разработанная Chihoon Lee и компанией T3Q и дообученная на базе upstage/SOLAR-10.7B-v1.0. Она предназначена для генерации текста и может использоваться в приложениях, которым требуется создавать связные текстовые ответы на запросы на английском языке. Модель имеет плотную архитектуру семейства Llama с 10,6 млрд параметров и принимает текст на вход, выдавая текст. Максимальная длина контекста составляет 4096 токенов. Модель дообучена на наборе данных Open-platypus-Commercial и распространяется под лицензией Apache-2.0.

KordAI/ThaiLLM-8B — дообученная языковая модель, разработанная KordAI на базе ThaiLLM/ThaiLLM-8B с архитектурой Qwen3. Это плотная авторегрессионная модель примерно с 7,6 млрд параметров для генерации текста и диалогов; заявленная сильная сторона — понимание и генерация на тайском языке. Модель принимает текстовые запросы и выдаёт текст, поддерживает контекст до 32 768 токенов и может использоваться через Transformers в формате Safetensors. Модель предназначена для тайскоязычных диалоговых помощников, ответов на вопросы и генерации текста. Метаданные также указывают интерфейс вызова инструментов. Поддержка английского отмечена в тегах и карточке базовой модели, но основной акцент этой версии — тайский язык. Модель распространяется по лицензии Apache-2.0. Ответы могут содержать ошибки или неподтверждённые сведения, поэтому их следует проверять, особенно перед использованием в ситуациях с высокими последствиями.

wkcn/TinyCLIP-ViT-40M-32-Text-19M-LAION400M — компактная модель семейства CLIP, основанная на сопоставлении изображений и текста. Она разработана в рамках метода TinyCLIP, представленного на ICCV 2023: при обучении используются дистилляция межмодальных связей и наследование весов, чтобы уменьшить размер модели при сохранении полезности для задач CLIP. Вариант из репозитория сочетает визуальный энкодер ViT примерно на 40 млн параметров с текстовым энкодером примерно на 19 млн параметров; предобучение выполнено на LAION-400M. Модель предназначена для классификации изображений по произвольным текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по текстовым запросам и сопоставления изображения с набором подписей. Компактная архитектура рассчитана на более быстрый и экономный инференс по сравнению с крупными CLIP-моделями, хотя конкретные показатели качества и скорости именно этого варианта в карточке не приведены. Репозиторий содержит веса PyTorch и SafeTensors и предназначен для использования с Transformers. Лицензия — MIT.

TrOCR Devanagari — модель Anil Paudel, Aayush Puri и Yubaraj Sigdel для распознавания рукописного текста на непальском языке письмом деванагари. Она преобразует изображения рукописных слов в машинно-читаемый текст и предназначена для оцифровки непальских документов. В основе — архитектура Vision Encoder-Decoder: Vision Transformer (ViT) кодирует изображение, а трансформерный декодер NepBERT генерирует текст. Модель использует компоненты amitness/roberta-base-ne и google/vit-base-patch16-224-in21k; веса опубликованы в формате safetensors и доступны по лицензии MIT. Карточка описывает обработку изображений с изменением размера и дополнением полей перед распознаванием. Хотя в README упомянуто выделение текстовых областей в документах, основной задачей модели указано распознавание текста на изображении; отдельная проверка качества или заявленные ограничения не приведены.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в соцсетях. Она основана на CardiffNLP/twitter-xlm-roberta-large-2022 и дообучена на наборах TweetTopic и X-Topic; архитектура — XLM-RoBERTa Large с классификационной головой, размер — 658,7 млн параметров. Модель принимает текст и может присваивать ему несколько тематических меток, включая искусство и культуру, бизнес, повседневную жизнь, здоровье, новости, науку, спорт и путешествия. Модель рассчитана на английский, испанский, японский и греческий языки. Её можно использовать для тематической разметки постов, анализа интересов аудитории и сортировки публикаций по темам. В README приведены результаты X-Topic: Macro-F1 от 50,3 до 60,2 и Micro-F1 от 61,4 до 73,0 в зависимости от языка. Контекст — до 514 токенов. Лицензия — MIT.

PrimeQA/tydiqa-boolean-answer-classifier — модель классификации ответов на вопросы, предполагающие ответ «да» или «нет», разработанная проектом PrimeQA на основе XLM-RoBERTa. Она принимает вопрос с ответом «да/нет» и отрывок текста, а затем присваивает метку yes, no или no-answer. Модель представляет собой XLM-RoBERTa Large с архитектурой классификатора последовательностей, содержит около 658,7 млн параметров и имеет контекстное окно 514 токенов. Она дообучена на вопросах с ответами «да/нет» из TyDiQA и BoolQ-X и предназначена для использования в системах понимания прочитанного и ответов на вопросы, в том числе в составе PrimeQA. Модель может быть полезна для определения ответа на вопрос по предоставленному отрывку, включая выявление случаев, когда отрывок не содержит ответа. В README отмечена возможность наследования смещений исходной XLM-RoBERTa Large. Лицензия — Apache-2.0.

robinhad/ukrainian-qa — модель для ответов на вопросы на основе XLM-RoBERTa, дообученная автором репозитория на украинском наборе UA-SQuAD от ukr-models/xlm-roberta-base-uk. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться в системах поиска по документам и украинских справочных сервисах. Модель содержит 137,3 млн параметров, рассчитана на контекст до 514 токенов и использует архитектуру XLM-RoBERTa; указана поддержка украинского языка. В карточке приведено значение loss 1,4778 на оценочной выборке, но подробностей протокола оценки нет. Лицензия — MIT.

Ultravox v0.2 — мультимодальная речевая LLM от Fixie.ai, построенная на Llama 3 8B Instruct и Whisper-small. Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и формирует текстовый ответ. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи. В карточке указаны скорость первого токена около 200 мс и генерация примерно 50–100 токенов в секунду на GPU A100 40 ГБ. Для обучения использовались данные GigaSpeech, AnyInstruct, BoolQ и SODA. Предпочтительная настройка модели не проводилась. Модель распространяется по лицензии MIT. Указан английский язык. Генерация аудио в этой версии не поддерживается; сведения о результатах оценки и тестовых наборах в карточке не приведены.

Это модель компьютерного зрения timm/vit_base_patch32_clip_224.metaclip_400m на архитектуре CLIP ViT-B/32 с вариантом активации QuickGELU. Она использует визуальную и текстовую части CLIP и обучена на наборе MetaCLIP-400M; доступна через библиотеки open_clip и timm. Основной сценарий — классификация изображений по текстовым описаниям без отдельного дообучения на целевых классах. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

jonatasgrosman/wav2vec2-large-xlsr-53-arabic — модель распознавания арабской речи, созданная Jonatas Grosman на основе facebook/wav2vec2-large-xlsr-53. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц, преобразуя его в текст на арабском языке. Модель дообучена на обучающей и валидационной частях Common Voice 6.1 и Arabic Speech Corpus. В оценке на тестовых данных Common Voice для неё указаны WER 39,59% и CER 18,18%; результаты зависят от набора данных и процедуры оценки. Подходит для преобразования арабской речи в текст и транскрибирования аудиозаписей. Распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания финской речи, созданная Jonatas Grosman на основе facebook/wav2vec2-large-xlsr-53. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC содержит 402,7 млн параметров и дообучена на финском языке на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель преобразует аудиозаписи на финском языке в текст и подходит для транскрибирования речи. Для подачи аудио требуется частота дискретизации 16 кГц. В README приведены результаты оценки WER и CER на тестовой выборке Common Voice; качество может отличаться на других данных и при иных настройках оценки. Лицензия — Apache-2.0.

Galuh/wav2vec2-large-xlsr-indonesian — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на индонезийском наборе Common Voice. Она преобразует аудиозапись речи в текст и рассчитана на распознавание индонезийской речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; входное аудио должно иметь частоту дискретизации 16 кГц. В README приведён результат оценки 18,32% на тестовых данных Common Voice; метрика не уточнена. Указана лицензия Apache-2.0. Карточка не описывает дополнительные ограничения и сценарии использования.

facebook/wav2vec2-xls-r-1b-en-to-15 — модель Facebook для перевода устной английской речи в письменный текст на одном из 15 языков. Это связка речевого энкодера и текстового декодера: энкодер основан на facebook/wav2vec2-xls-r-1b, декодер — на facebook/mbart-large-50. Модель дообучена на 15 парах перевода из набора Covost2; для выбора языка перевода используются целевые токены. Модель принимает аудио на английском и генерирует текст на немецком, турецком, персидском, шведском, монгольском, китайском, валлийском, каталанском, словенском, эстонском, индонезийском, арабском, тамильском, латышском или японском. Она предназначена для перевода речи, а не только для распознавания английской транскрипции. В метаданных указан формат PyTorch и библиотека Transformers. Лицензия — Apache 2.0.

primeline/whisper-large-v3-german — модель распознавания речи на основе Whisper Large v3, дообученная Флорианом Циммермайстером для немецкой речи. Она преобразует аудио на немецком языке в текст и рассчитана на транскрибирование речи, создание субтитров, голосовой поиск, голосовые команды и диктовку. Модель использует архитектуру WhisperForConditionalGeneration; в метаданных указано 905,2 млн параметров. Репозиторий содержит веса safetensors, для работы используется Transformers. Данные README указывают на обучение на отобранных аудиозаписях немецкой речи в течение двух эпох. Модель распространяется по лицензии Apache-2.0. Описание не приводит результатов оценки качества или подробностей о происхождении и лицензировании обучающих данных, поэтому качество на разных акцентах, в шуме и в специализированных сценариях по этим сведениям оценить нельзя.

Whisper Small от FutureProofGlitch — дообученная версия openai/whisper-small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и обучена на корпусе AMI Meeting Corpus, содержащем записи совещаний. Подходит для преобразования речи из записей встреч в текст; для оценки приведены WER 19,38 и WER Ortho 19,58 на тестовой выборке. Модель принимает аудио и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Подробности о сценариях применения и ограничениях качества в карточке не раскрыты.

eai6/whisper-tiny.en — дообученная модель распознавания речи на основе openai/whisper-tiny.en, созданная сообществом eai6 и обученная на наборе данных Azure-dataset. Модель использует архитектуру Whisper и содержит 29,4 млн параметров; она предназначена для преобразования английской речи в текст. Модель подходит для транскрибации аудиозаписей и распознавания речи в приложениях. В README приведены результаты оценки на тестовой выборке: loss 0,0680 и WER 44,3486. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

tyqiangz/xlm-roberta-base-finetuned-chaii — модель на архитектуре XLM-RoBERTa Base, дообученная для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста по заданному вопросу. В метаданных указан размер 305,2 млн параметров и длина контекста 514 токенов; доступны веса PyTorch и safetensors. Карточка сообщает о дообучении на наборе данных chaii и приводит значение функции потерь 0,4651 на оценочной выборке, но не описывает состав данных, языки и конкретные ограничения качества. Модель опубликована под лицензией MIT.

Модель h1nadesu/xlm-roberta-base-finetuned-panx-de — дообученная для классификации токенов версия XLM-RoBERTa Base. По названию модели и оценке на наборе PAN-X она предназначена для распознавания именованных сущностей на немецком языке: модель присваивает метки отдельным токенам текста. В README указаны loss 0,1610 и F1 0,8603 на оценочной выборке. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки токенов. Распространяется по лицензии MIT. README не раскрывает классы сущностей и подробности обучения, а указанная оценка сама по себе не гарантирует качество на других данных.

Rolv-Arild/xls-r-300m-npsc-4 — модель автоматического распознавания речи, разработанная путём дообучения facebook/wav2vec2-xls-r-300m на наборе NBAILAB/NPSC - 16K_MP3. Она использует архитектуру wav2vec2 с CTC-декодированием, принимает аудио и преобразует речь в текст. На оценочном наборе указаны loss 0,1957 и WER 0,1697. Модель предназначена для распознавания речи в сценариях, соответствующих данным NPSC; подробности о целевых условиях применения в карточке не приведены. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Модель ktrapeznikov/albert-xlarge-v2-squad-v2 — версия ALBERT XLarge v2, дообученная автором репозитория на наборе SQuAD V2 для ответов на вопросы по переданному фрагменту текста. Она оценивает позиции начала и конца ответа в контексте, а обучение на SQuAD V2 также позволяет оценивать случаи, когда в абзаце нет ответа. Архитектура — плотная AlbertForQuestionAnswering; в метаданных указаны 1,7 млрд параметров и контекст до 512 токенов. Модель подходит для извлечения ответов из абзацев и проверки, содержится ли ответ в контексте. В README приведены результаты на dev-наборе SQuAD V2: exact match 84,42 и F1 87,46; автор отмечает, что лучший порог отказа не подбирался. Веса представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.