I.14Автоматизация процессов и AI-агенты

SigLIP base patch16-224 — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и функцию потерь на основе sigmoid, которая обучает оценивать пары изображение–текст без нормализации по общей матрице сходства. Модель обрабатывает изображения с разрешением 224×224 и текстовые последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и поиска изображений по тексту или текста по изображению. Её можно применять для классификации по пользовательским категориям и поиска подходящих изображений в коллекции. Данные карточки не приводят размер модели и количественные результаты оценки; обучение проводилось на английских парах изображений и текста, поэтому качество для других языков не подтверждено. Лицензия — Apache-2.0.

zeromodels представляет конверсию SigLIP Large Patch16-256 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на конкретных классах. Это двухбашенный мультимодальный энкодер изображений и текста, основанный на google/siglip-large-patch16-256 и обученный с попарной sigmoid loss. Модель принимает изображение и текстовые промпты и оценивает соответствие между ними; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по пользовательским категориям, поиска изображений по текстовому описанию и сопоставления текста с изображениями. Вариант использует патчи размером 16 и входное разрешение 256 пикселей. Лицензия — Apache 2.0. README указывает на карточку исходной модели для дополнительных сведений; размер параметров, языковая поддержка и ограничения качества для этой конверсии не описаны.

Это модель SpanBERT, разработанная Facebook Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по заданному отрывку текста. Она извлекает ответ из контекста или воздерживается от ответа, если в отрывке нет подтверждения. Модель предназначена для вопросов и ответов по документам и текстовым фрагментам на английском языке. Модель основана на BERT для извлечения ответных фрагментов; размер составляет 135,5 млн параметров, максимальный контекст — 512 токенов. В оценке на SQuAD 2.0 указаны EM 78,80 и F1 82,22. Доступны веса PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

Модель potsawee/t5-large-generation-squad-QuestionAnswer — версия T5-large, дообученная Potsawee Manakul и соавторами на датасете SQuAD для генерации пары «вопрос — ответ» по переданному контексту или фрагменту текста. Она предназначена для создания вопросов по статьям и другим текстам, в том числе как первый компонент конвейера MQAG для оценки согласованности содержания при суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 385,2 млн параметров. Она принимает текст и генерирует текст; ответы преимущественно извлекаются из исходного контекста, поскольку обучающие ответы SQuAD в основном экстрактивны. Максимальная длина контекста — 512 токенов. Карточка указывает английский язык и формат PyTorch. Лицензия — Apache-2.0.

Это точечный переранжировщик от Utah NLP на базе Qwen3-8B, обученный с помощью Tevatron 3.0 и контрастивной функции потерь на данных RLHN-680K. Модель оценивает релевантность пары «запрос — документ» как разность логитов ответов «yes» и «no» после промпта с вопросом о релевантности. Для оценки используется шаблон с запросом, заголовком и текстом документа. Модель основана на плотной авторегрессионной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. LoRA-адаптер объединён с базовыми весами. Предназначена для ранжирования найденных фрагментов и улучшения выдачи информационного поиска. Распространяется по лицензии Apache-2.0.

Neo4j/text-to-cypher-Gemma-3-4B-Instruct-2025.04.0 — специализированная языковая модель от Neo4j, дообученная на базе google/gemma-3-4b-it с использованием набора данных neo4j/text2cypher-2025v1. Модель предназначена для генерации запросов Cypher по текстовому описанию задачи и структуре графовой базы данных Neo4j. Модель относится к семейству Gemma 3 и содержит около 4 миллиардов параметров согласно идентификатору базовой модели. Она работает в текстовом режиме и опубликована в формате SafeTensors. В метаданных для неё указан pipeline text-generation, а в README — text2text-generation. Модель подходит для преобразования пользовательских вопросов и описаний аналитических задач в Cypher-запросы, создания естественно-языковых интерфейсов к графовым базам данных и ускорения разработки запросов. Лицензия — Gemma; условия её использования необходимо проверять в официальных лицензионных документах Google.

Карточка модели wannaphong/tongyi-model-v1.5-1b-enth на Hugging Face совпадает с карточкой wannaphong/tongyi-model-v1.3-1b, поэтому описание составлено по ней. Модель wannaphong/tongyi-model-v1.3-1b — дообученная авторегрессионная языковая модель семейства Qwen2, созданная wannaphong на базе sail/Sailor2-1B. Она предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс для вызова инструментов. Модель содержит 851,8 млн параметров и поддерживает контекст до 32 768 токенов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL. В метаданных указан английский язык, но специальных языков или прикладных областей для этой версии README не уточняет. Модель распространяется по лицензии Apache-2.0.

duyle2408/trocr-vietnamese-handwriting — модель распознавания рукописного текста на изображениях, разработанная на основе microsoft/trocr-large-handwritten и дообученная на наборе данных с вьетнамским почерком. Архитектура VisionEncoderDecoder сочетает ViT и TrOCR; модель предназначена для преобразования изображений рукописных записей на вьетнамском языке в текст. Модель подходит для оцифровки вьетнамских рукописных заметок и документов. В карточке приведены результаты оценки, включая eval_loss 5,02. Лицензия — Apache-2.0.

KordAI разработала Typhoon Gemma 3 KordTranslate EN-TH 4B — двунаправленную модель машинного перевода между английским и тайским языками. Это дообученная методом supervised instruction tuning модель typhoon-ai/typhoon2.1-gemma3-4b на архитектуре Gemma 3 с 4 млрд параметров; она принимает текстовые инструкции и выдаёт перевод. Модель предназначена для локализации, перевода документов пакетами, перевода в чат-ботах и образовательных приложениях, а также интеграции через API. В метаданных указано контекстное окно 131072 токена; репозиторий использует формат safetensors. Лицензия — Apache 2.0. Карточка отмечает возможное снижение качества на узкоспециализированных медицинских, юридических и научных текстах. Имена собственные и новые термины следует проверять, а неоднозначные входные фразы могут быть галлюцинированы или перефразированы; для критически важных переводов рекомендуется проверка человеком.

Typhoon llama3.2 KordTranslate EN-TH 1B — это дообученная KordAI модель машинного перевода с архитектурой Llama 3.2 и примерно 1,2 млрд параметров. Она выполняет перевод с английского на тайский и с тайского на английский; для перевода рассчитана на инструкции и наследует языковое понимание базовой модели Typhoon. Контекст модели составляет до 131 072 токенов, формат весов — safetensors. Модель подходит для локального перевода текстов, локализации, учебных задач, интеграции в чат-боты и API, а также пакетной обработки документов. Для перевода README рекомендует задавать направление явной инструкцией и использовать соответствующий шаблон запроса. Модель разработана KordAI и дообучена на двуязычных англо-тайских наборах данных. Лицензия — Apache-2.0. Качество может снижаться на специализированных медицинских, юридических и научных текстах; имена собственные и новые термины, а также переводы неоднозначных фраз следует проверять вручную.

artoowang/w2v-bert-2.0-en-colab-CV16.0 — дообученная модель распознавания речи на базе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, преобразуя речь в текст. В README приведены результаты оценки: loss 0,3282 и WER 0,1287; набор данных указан как None. Модель содержит 402,7 млн параметров и доступна в формате safetensors для библиотеки Transformers. По названию репозитория она ориентирована на английскую речь, однако README не уточняет языковое покрытие, условия оценки и предполагаемые сценарии применения. Лицензия — MIT.

Waqf-AI разработала PaddleOCR Arabic Handwritten OCR — модель распознавания арабского рукописного текста на изображениях. Это дообученная версия PaddlePaddle/PaddleOCR-VL-1.6 на наборе khatt-augmented-arabic-20k-s3, содержащем около 20 тысяч синтетически дополненных изображений арабского рукописного текста. Модель использует архитектуру PaddleOCR-VL и поддерживает диалоговый интерфейс; веса доступны в формате Safetensors. Модель предназначена для преобразования изображений рукописных строк на арабском языке в текст. В карточке приведены результаты оценки на 200 отложенных изображениях: для исходной PaddleOCR-VL-1.6 указаны WER 0,8057 и CER 0,3690, а для дообученной версии заявлены значительные улучшения. Apache-2.0 разрешает использование и распространение модели на условиях этой лицензии. Оценка проведена на ограниченной выборке из того же набора данных, поэтому результаты могут не отражать качество на других почерках и источниках изображений.

sanchit-gandhi/wav2vec2-2-bart-large-cnn — модель распознавания речи на архитектуре SpeechEncoderDecoderModel, обученная с нуля на наборе LibriSpeech ASR. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В карточке приведён результат на оценочной выборке: WER 0,1042 и loss 0,3524. Модель опубликована в формате PyTorch. Лицензия и подробности об ограничениях в доступных данных не указаны.

fathyy разработал wav2vec2-large-xlsr-53-fourth-train как дообученную версию fathyy/wav2vec2-large-xlsr-53-third-train для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 1,3589 и WER 0,7930. Датасет обучения и целевые языки не определены в доступных сведениях, поэтому применимость к конкретному языку или сценарию подтвердить нельзя. Модель распространяется под лицензией Apache-2.0.

anton-l/wav2vec2-large-xlsr-53-romanian — модель распознавания речи на базе facebook/wav2vec2-large-xlsr-53, дообученная на румынском языке разработчиком anton-l с использованием Common Voice. Она преобразует аудиоречь в текст и подходит для транскрибирования записей на румынском языке. Архитектура — Wav2Vec2ForCTC с 402,7 млн параметров; доступны веса PyTorch и Flax. Для входной речи требуется частота дискретизации 16 кГц. Модель рассчитана на автоматическое распознавание румынской речи; в карточке приведён результат оценки 24,84% на тестовой части Common Voice, но не уточнена метрика. Распространяется по лицензии Apache-2.0.

WAXALamh_asr-w2v-bert-2.0 — модель автоматического распознавания речи, дообученная на основе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и принимает аудио, чтобы преобразовывать речь в текст. Размер модели — около 402,9 млн параметров; для работы с весами используется библиотека Transformers, файлы представлены в формате safetensors. В карточке приведены метрики оценки: loss 3,8336 и CER 0,3028. Датасет, языки и сценарии обучения не описаны, поэтому применимость к конкретному языку или акустическим условиям по этим данным определить нельзя. Модель распространяется по лицензии MIT.

KnutJaegersberg/website-classifier — модель классификации текста на базе DeBERTa-v2, обученная с помощью AutoTrain. Она предназначена для определения категории веб-сайта по тексту: обучающая выборка создана на основе категорий URL Classification Dataset [DMOZ] и примеров из корпуса C4, размеченных zero-shot-классификатором; использована только часть исходного датасета. Модель содержит 533,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README указаны метрики на валидации: accuracy около 0,91 и macro F1 около 0,91. Результаты относятся к описанной выборке и не гарантируют такое же качество на других сайтах и текстах. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Werewolf AI 3B — языковая модель на архитектуре Llama, разработанная hruddayansh и дообученная на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Модель содержит 3,2 млрд параметров, принимает текст и предназначена для генерации текста в диалоговом формате; заявленный контекст составляет 131 072 токена. В карточке также отмечен интерфейс вызова инструментов. Модель подходит для диалоговых сценариев и генерации ответов на английском языке. Веса размещены в формате safetensors, лицензия — Apache 2.0. Карточка не описывает датасет или специализацию дообучения, поэтому её качество в конкретных предметных областях по имеющимся данным оценить нельзя.

Whisper Large v3 Turbo TR — модель распознавания речи, разработанная Selim Çavaş и дообученная на базе openai/whisper-large-v3-turbo на турецкой части Common Voice 17.0. Она принимает аудио и преобразует турецкую речь в текст; подходит для расшифровки записей, голосовых команд и создания субтитров к видео на турецком языке. Модель построена на архитектуре WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Для обучения использовали 25% доступных турецких данных Common Voice 17.0; на тестовой выборке указаны Loss 0,3123 и WER 18,9229. Распространяется по лицензии MIT.

RedHatAI/whisper-small-quantized.w8a8 — квантизированная версия модели openai/whisper-small, разработанная Neural Magic. Это аудио-текстовая модель автоматического распознавания речи: она принимает аудиосигнал и генерирует текстовую расшифровку. Модель предназначена для транскрибации аудиозаписей и развёртывания в приложениях, где важны эффективное выполнение инференса и совместимость с vLLM. Модель использует архитектуру Whisper small и поддерживает обработку аудио с выдачей текста. Указан язык en; другие языки в предоставленных данных не заявлены. Веса и активации квантизированы в INT8 по схеме W8A8, что может снизить требования к памяти и повысить эффективность инференса по сравнению с полноточной версией, но потенциально сопровождается потерей точности. Модель подготовлена для работы с vLLM версии 0.5.2 и новее, включая OpenAI-compatible serving. В README не приведены численные результаты оценки качества, ограничения по длине аудио или подробные характеристики исходной архитектуры. Модель распространяется по лицензии Apache-2.0. Для её использования требуется инфраструктура, совместимая с Transformers и vLLM; конкретные параметры производительности зависят от оборудования и настроек развёртывания.

Kkanuu/xlm-roberta-base-finetuned-panx-de — модель XLM-RoBERTa Base, дообученная для классификации токенов. Она предназначена для разметки последовательностей, например для распознавания именованных сущностей в немецком тексте; карточка указывает на дообучение на наборе PANX, но подробности о данных не приведены. Модель содержит 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. На оценочном наборе указаны loss 0,1426 и F1 0,8602. Лицензия — MIT. README не уточняет состав меток и обучающих данных, поэтому результаты не гарантируют качество на других доменах и типах текста.

cmhyo/xlm-roberta-base-finetuned-panx-it — дообученная модель семейства XLM-RoBERTa для классификации токенов. Она предназначена для разметки последовательностей, в частности для распознавания именованных сущностей. В README указаны результаты оценки: F1 0,8348 и loss 0,2473; датасет не назван. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForTokenClassification и формат safetensors. Базовая модель — FacebookAI/xlm-roberta-base, длина контекста — 514 токенов. Распространяется по лицензии MIT.

Это модель XLM-RoBERTa Base, дообученная Shivam Mangale на наборе SQuAD для ответов на вопросы по заданному контексту. Она использует плотную архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering и содержит около 305,2 млн параметров. Модель принимает текст вопроса и контекста и выделяет в контексте фрагмент с ответом; максимальная длина контекста составляет 514 токенов. Модель подходит для извлечения ответов из документов, поиска фактов в тексте и прототипирования систем вопросно-ответного поиска. XLM-RoBERTa — многоязычное семейство, однако карточка не уточняет, на каких языках оценивалась именно эта настройка. Модель распространяется по лицензии MIT. README не содержит дополнительных сведений о качестве, обучении или ограничениях.

Baljinnyam/xlm-roberta-base-mongolian-ner-finetuning — модель XLM-RoBERTa-base, дообученная для распознавания именованных сущностей в монгольском тексте. Она выполняет токенную классификацию: присваивает метку каждому фрагменту текста. В README приведены результаты оценки: F1 0,9310, точность 0,9267, полнота 0,9354 и accuracy 0,9796; название набора данных в карточке не раскрыто. Модель содержит около 305,2 млн параметров, работает на PyTorch и имеет контекстное окно 514 токенов. Лицензия — MIT. Карточка не уточняет наборы распознаваемых сущностей и ограничения оценки, поэтому приведённые метрики не гарантируют качество на других текстах.

Это 8-битная квантизованная версия XLM-RoBERTa-large-xnli-anli от heykorshun, подготовленная для MLX Swift на macOS. Базовая модель vicgalle/xlm-roberta-large-xnli-anli предназначена для многоязычной классификации текстов методом NLI и zero-shot: она сопоставляет текст с заданными категориями или проверяет, противоречит ли новое утверждение старому либо подтверждает его. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает контекст до 514 токенов. В README приведён сценарий применения в приложении Stilltone для локальной классификации заметок встреч; автор сообщает о побайтно идентичных результатах с исходными весами fp32 на использованных тестовых наборах. 8-битные веса занимают около 0,63 ГБ вместо примерно 2,2 ГБ для fp32. Это файлы MLX Swift, а не checkpoint для Transformers или sentence-transformers; для загрузки требуется совместимая реализация MLX Swift и соответствующая схема квантования. Лицензия — MIT.

Модель ggoggam/xlnet-base-cased-squad-quoref — версия XLNet-Base, дообученная для ответов на вопросы на наборах SQuAD, SQuAD 2.0 и Quoref. XLNet совместно разработана Google и CMU; модель содержит 137,8 млн параметров и доступна в формате PyTorch. Она предназначена для извлечения ответов из контекста по заданному вопросу, в том числе для задач, где требуется учитывать связи между упоминаниями в тексте. В README приведена оценка на Quoref: exact match 73,66 и F1 78,00; сравнение показывает улучшение относительно указанной базовой линии XLNet. Карточка не сообщает лицензию и конкретный перечень поддерживаемых языков, поэтому эти характеристики не включены в описание. Результаты оценки относятся к Quoref и сами по себе не гарантируют аналогичного качества на других данных.

zh-wiki-punctuation-restore — модель на базе BERT для восстановления пунктуации в китайском тексте. Она классифицирует токены и поддерживает шесть знаков: запятую ，、перечислительную запятую 、, точку 。, вопросительный знак ？, восклицательный знак ！ и точку с запятой ；. Модель предназначена для обработки текста без пунктуации, например после распознавания речи или при подготовке китайских текстов. Архитектура — BertForTokenClassification, размер — 129,5 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит веса PyTorch и safetensors. README предлагает установку пакета zhpr. Лицензия в предоставленных данных не указана.

Zurich 1.5B GCv2-1m — языковая модель для генерации текста, созданная Rubenroy на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная на наборе диалогов GammaCorpus v2-1m. Это плотная причинно-языковая модель архитектуры Qwen2 с 1,5 млрд параметров, 28 слоями и контекстом до 32 768 токенов; в карточке указаны RoPE, SwiGLU, RMSNorm и групповые запросы внимания. Модель предназначена для многоходовых диалогов, генерации ответов и структурированного текста на английском языке. Модель работает через Transformers, распространяется в формате safetensors и поддерживает чатовый интерфейс, включая интерфейс вызова инструментов. Она компактна по сравнению с крупными языковыми моделями, однако карточка не приводит сравнительных результатов, подтверждающих заявленное преимущество над моделями аналогичного размера. Возможны предвзятые ответы. Лицензия — Apache 2.0.

Это модель классификации текста на основе ALBERT-base-v2, дообученная TextAttack на наборе данных AG News для отнесения новостных текстов к тематическим категориям. Она принимает последовательность текста и выдаёт метку класса; модель обучалась пять эпох с максимальной длиной последовательности 128 токенов. В карточке указана точность 0,947 на проверочной выборке. Модель предназначена для классификации новостных публикаций по категориям AG News. Архитектура — ALBERT для классификации последовательностей; размер составляет 136,3 млн параметров, нативное окно контекста — 512 токенов. Лицензия в предоставленных данных не указана.

AltCLIP-m9 — мультиязычная модель сопоставления изображений и текста, разработанная командой FlagAI. Она заменяет языковой энкодер CLIP на энкодер с расширенной поддержкой языков и предназначена для оценки соответствия текста изображению, zero-shot-классификации изображений и использования в качестве текстового энкодера для AltDiffusion-m9. Обучение включало дистилляцию на параллельных текстовых корпусах и последующее мультиязычное контрастивное обучение на парах изображение–текст. Модель поддерживает китайский, английский, испанский, французский, русский, японский, корейский, арабский и итальянский языки. Метаданные относят её к семейству AltCLIP и указывают формат PyTorch. Лицензия — CreativeML OpenRAIL-M. Хотя в метаданных указан тег text-to-image, README описывает сопоставление изображений и текста и применение в качестве компонента AltDiffusion; самостоятельная генерация изображений для этой модели не подтверждена.