I.14Автоматизация процессов и AI-агенты

Arabic Large Nougat — модель OCR, разработанная Mohamed Rashad для преобразования изображений страниц арабских книг в структурированный текст, в том числе с разметкой Markdown. Она построена на архитектуре VisionEncoderDecoderModel с архитектурой Nougat и обучена с нуля на наборе данных MohamedRashad/arabic-img2md с токенизатором riotu-lab/Aranizer-PBE-86k. Модель принимает изображения и генерирует текст; заявленная максимальная длина контекста — 2048 токенов. Модель предназначена для оцифровки арабской литературы и извлечения текста из печатных материалов. Карточка указывает поддержку арабского и английского языков и лицензию GPL-3.0. Модель может повторять или ошибочно распознавать текст, а также генерировать нерелевантные пути к изображениям; длинные страницы могут быть транскрибированы не полностью. Результат следует проверять, особенно если важна точность.

Audio-Interaction — потоковая модель диалога с аудио на входе и текстом на выходе. По карточке модель использует аудиокодировщик Qwen2.5-Omni и языковую часть Qwen2; метаданные указывают 3,1 млрд параметров, контекст 32 768 токенов и библиотеку Transformers. Модель обрабатывает звук последовательными фрагментами и на каждом решает, продолжать ли слушать или начать текстовый ответ. Она предназначена для голосовых ассистентов и диалоговых систем, которым важно реагировать до завершения всей реплики. Поддерживает потоковое взаимодействие, а также офлайн-сценарии распознавания речи и перевода речи в текст. В режиме слушания выдаёт управляющие маркеры, а в режиме ответа генерирует текст; синтеза речи нет. Входной звук рассчитан на моно 16 кГц, решения принимаются с шагом 0,4 секунды, а неполные хвостовые фрагменты короче 10 кадров отбрасываются. Для голосового ответа модель нужно дополнить системой TTS. Лицензия — Apache-2.0.

valhalla/bart-large-finetuned-squadv1 — модель BART-large, дообученная Suraj Patil на наборе SQuAD v1 для ответов на вопросы по предоставленному тексту. Она кодирует документ и вопрос и предсказывает ответный фрагмент в тексте. Модель построена на архитектуре BART encoder-decoder: 12 слоёв кодировщика и 12 слоёв декодера; содержит около 252,8 млн параметров и рассчитана на последовательности длиной до 1024 токенов. В карточке указаны результаты на SQuAD v1: EM 86,80 и F1 92,73; автор отмечает, что они немного ниже опубликованных в статье BART. Модель предназначена для англоязычного извлечения ответов из контекста и может применяться в системах вопросов и ответов по документам. Лицензия в предоставленных данных не указана.

Это японская модель распознавания именованных сущностей из книги «Введение в большие языковые модели», глава 6. Её разработчики взяли cl-tohoku/bert-base-japanese-v3 и дообучили на наборе llm-book/ner-wikipedia-dataset, добавив CRF-слой к выходному слою BERT. Модель содержит 138,4 млн параметров, работает через Transformers и принимает текстовые фрагменты длиной до 512 токенов. Модель выделяет в японском тексте сущности, например имена людей и географические названия, и возвращает их типы и оценки уверенности. Подходит для извлечения сущностей из текстов, подобных статьям Википедии. Лицензия — Apache License 2.0.

protectai/bert-base-NER-onnx — это ONNX-версия модели dslim/bert-base-NER, разработанная для проекта ProtectAI и преобразованная в формат ONNX с использованием библиотеки Hugging Face Optimum. Проект архивирован и больше не поддерживается активно. Модель предназначена для задачи распознавания именованных сущностей (NER), в том числе для извлечения персон, организаций, местоположений и сущностей категории MISC из англоязычного текста. Она основана на bert-base-cased, дообученной на англоязычной версии набора данных CoNLL-2003, и относится к классу моделей token classification. Для запуска используются Optimum ONNX Runtime и Transformers. Известные характеристики модели: поддерживается английский язык, формат ONNX, базовая архитектура BERT и четыре типа сущностей — LOC, ORG, PER и MISC. README не указывает размер модели, длину контекста, точные метрики качества или перечень поддерживаемых модальностей помимо текста. Лицензия — MIT. Ограничения включают специализацию на английском языке, зависимость от ONNX Runtime и отсутствие активной поддержки проекта.

KBLab при Национальной библиотеке Швеции разработала bert-base-swedish-cased-ner — экспериментальную модель BERT, дообученную для распознавания именованных сущностей в шведском тексте на наборе SUC 3.0. Она размечает сущности по типам времени, персон, мест, событий и организаций; регистр букв сохраняется, а токенизатор может разбивать слова на части, которые при необходимости нужно объединять после предсказания. Модель относится к архитектуре BERT для классификации токенов, содержит около 151,9 млн параметров и рассчитана на контекст до 512 токенов. Исходная шведская языковая модель обучалась на книгах, новостях, государственных публикациях, шведской Википедии и интернет-форумах. Модель предназначена для извлечения сущностей из шведских текстов, например новостей или документов. В карточке она обозначена как экспериментальная, а типы меток могут меняться; указанное качество на задачах за пределами SUC 3.0 не приводится. Лицензия в предоставленных материалах не указана.

Модель badokorach/bert-finetuned-squad-7-finetuned-081023 — дообученная версия BERT для ответов на вопросы по текстовому контексту. Она предназначена для сценариев, где вместе с вопросом подаётся текст, из которого модель извлекает ответ. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. Модель дообучена на наборе данных SQuAD и опубликована под лицензией Apache-2.0. В карточке приведено значение loss 1,1157 на оценочном наборе. Язык данных и другие ограничения качества в источниках не описаны.

Pankaj8922/bert-medium-nli — модель классификации последовательностей на базе BERT-medium, дообученная для определения логического отношения между посылкой и гипотезой: следование, нейтральность или противоречие. Разработчик позиционирует её для zero-shot-классификации текстов: к тексту добавляют гипотезу вида «This text is about {label}.», а модель оценивает их отношение. Модель содержит 49,2 млн параметров, принимает текстовые пары и выдаёт оценки трёх классов. Контекст ограничен 512 токенами, основной язык карточки — английский. В обучении использована сбалансированная выборка Pankaj8922/nli-high-quality-balanced на основе MNLI, SNLI, FEVER-NLI и ANLI; в README указаны точность 0,8373 и macro F1 0,8372 на тестовой выборке. Компактный размер подходит для быстрого вывода и ограниченных ресурсов, но качество zero-shot-классификации на новых наборах меток ниже, чем у более крупных NLI-моделей. Лицензия — Apache-2.0.

mrm8488/bert-small-finetuned-squadv2 — компактная модель BERT-Small, созданная Google Research и дообученная Manuel Romero на SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и может воздержаться от ответа, если в тексте нет подтверждённой информации. Модель содержит 32,4 млн параметров, использует архитектуру BERT и принимает текстовые вопросы вместе с текстовым контекстом. Контекстное окно — до 512 токенов. Модель предназначена для сценариев с ограниченными вычислительными ресурсами; в карточке указаны результаты на SQuAD 2.0: EM 60,49 и F1 64,21. Поддерживается английский язык. Модель доступна в форматах PyTorch и Flax. Лицензия в предоставленных данных не указана.

ckiplab/bert-tiny-chinese-ner — компактная модель семейства BERT от CKIP для распознавания именованных сущностей в традиционном китайском тексте. Она относится к архитектуре BertForTokenClassification, содержит 12,8 млн параметров и принимает последовательности длиной до 512 токенов. Для токенизации автор рекомендует BertTokenizerFast. Модель предназначена для извлечения сущностей из китайского текста; это часть проекта CKIP с инструментами для сегментации слов, разметки частей речи и распознавания сущностей. В метаданных указана поддержка китайского языка и формат PyTorch. Лицензия — GPL-3.0.

aired/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и поддерживает сравнение по косинусному сходству. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; длина последовательности — до 512 токенов. Модель подходит для семантического поиска по финансовым текстам, подбора релевантных фрагментов для RAG, поиска перефразировок, кластеризации, классификации и оценки сходства предложений. Благодаря Matryoshka-обучению эмбеддинги можно сокращать до 512, 256, 128 или 64 измерений с некоторой потерей качества. Выпущена под лицензией Apache-2.0.

unography/blip-large-long-cap — модель для автоматического создания подписей к изображениям, опубликованная пользователем unography. Она основана на архитектуре BLIP и использует класс BlipForConditionalGeneration; веса доступны в формате safetensors. Модель предназначена для условной и безусловной генерации описаний изображений. Её можно применять для создания подписей к изображениям в каталогах, медиатеках и наборах данных. В качестве обучающего набора указан unography/laion-14k-GPT4V-LIVIS-Captions. Модель принимает изображение и генерирует текстовое описание; поддерживаемый язык описаний в доступных сведениях не указан. Лицензия — BSD 3-Clause. Карточка не сообщает размер модели, длину контекста и известные ограничения качества.

VertexAIco подготовила пакет для локального запуска чат-модели Bonsai-27B на Mac с Apple Silicon. Это плотная архитектура семейства Qwen3.5 с 27 млрд параметров; пакет сохраняет все 64 слоя и исходные 1-битные веса Prism ML, а оптимизации относятся к коду запуска и настройкам MLX, а не к изменению весов. Модель предназначена для диалогов, следования инструкциям, суммаризации результатов поиска и вызова инструментов через приложение, которое само проверяет и выполняет запросы модели. Поддерживается запуск через интерактивный чат или локальный сервер с API в стиле OpenAI. На M4 Mac mini с 16 ГБ памяти авторы измерили 19,8 токена в секунду и 1,60 секунды до первого токена для короткого прогретого запроса; заметного ускорения относительно стандартного запуска в этом тесте не обнаружено. Для работы нужны Mac с Apple Silicon, MLX-форк Prism ML и полная загрузка репозитория вместе с конфигурацией, токенизатором и кодом запуска. Модель может ошибаться; в небольшом тесте она выполнила 15 из 18 заданий, а потери качества из-за исходной 1-битной квантизации относительно более точной версии не оценивались. Лицензия — Apache-2.0.

HYM/Cbert_base_ws-finetuned-ner — модель на архитектуре BERT, дообученная разработчиком HYM на основе ckiplab/bert-base-chinese-ws для разметки последовательностей токенов. Она предназначена для извлечения именованных сущностей в китайском тексте. В README приведены результаты на оценочном наборе: F1 0,9617, точность 0,9602, полнота 0,9633 и accuracy 0,9827; состав набора данных и подробности обучения не описаны. Модель принимает текст и выдаёт метки для его токенов. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch; лицензия — GPL-3.0.

Chuxin-Embedding — модель эмбеддингов команды Chuxin-LLM для поиска по китайским текстам. Она основана на bge-m3-retromae и использует архитектуру XLM-RoBERTa с 658,7 млн параметров; заявленная длина контекста — 8194 токена. Модель обучалась на больших корпусах из разных областей: авторы описывают этапы предварительного обучения, дообучения и дополнительной настройки. Модель кодирует запросы и документы в векторы, которые можно сравнивать для поиска семантически близких текстов и использовать в RAG-системах. В README приведены результаты на китайских наборах C-MTEB и AIR-Bench; эти показатели относятся к опубликованным авторами оценкам на дату 14 сентября 2024 года. Для работы с моделью авторы показывают библиотеку FlagEmbedding и инструкцию запроса на китайском языке. В репозитории указаны веса safetensors. Лицензия в предоставленных материалах не описана. Модель рассчитана на китайский язык и текстовый поиск; качество на других языках и вне задач извлечения информации не заявлено.

Geonmo/CLIP-Giga-config-fixed — временная копия конфигурации CLIP от LAION, созданная для использования, пока не будет исправлена конфигурация laion/CLIP-ViT-bigG-14-laion2B-39B-b160k. Модель относится к архитектуре CLIPModel и предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах. Модель принимает изображения и текстовые метки классов и сопоставляет их, чтобы выбрать подходящую метку. Репозиторий содержит веса в формате PyTorch; карточка указывает лицензию MIT. Это временное исправление конфигурации, поэтому пригодность и качество следует оценивать с учётом зависимости от исходной модели LAION.

CoLMLM-360M-FW — языковая модель с 361,8 млн параметров из семейства Llama, основанная на SmolLM2 и обученная на FineWeb-Edu. Она предназначена для генерации текста с обращением к внешнему поисковому индексу: в специальных позициях модель формирует непрерывный запрос из скрытого состояния, чтобы получить содержание факта из индекса во время вывода, а не хранить его в параметрах. Для работы требуется совместимый опубликованный индекс; сведения о лицензии в доступных данных отсутствуют. Модель использует Transformers и формат safetensors, контекст — до 8192 токенов. Карточка описывает исследовательскую систему Co-LMLM, но не приводит результатов качества или подробных ограничений.

CommerceCore — дообученная модель на 1,7 млрд параметров для преобразования естественно-языковых поисковых запросов в интернет-магазинах в структурированные ограничения каталога: например, извлечения цвета, цены, состава товара и других атрибутов. Она основана на плотной авторегрессионной архитектуре Qwen3 и обучена методом QLoRA на примерах извлечения ограничений; адаптер объединён с базовыми весами, поэтому модель поставляется как самостоятельный артефакт. Модель ориентирована на английские запросы и поддерживает контекст до 40 960 токенов. Её используют для разбора поисковых запросов и подготовки фильтров, которые затем применяются при поиске, ранжировании или объяснении рекомендаций. В карточке приведены результаты на тестовых наборах, но независимая проверка на свежих запросах показывает, что заявленное преимущество проявляется не во всех условиях. Разработчик обозначает модель как исследовательский прототип и предостерегает от использования в production без собственной проверки. Лицензия — Apache-2.0.

michaelfeil/ct2fast-opus-mt-de-en — версия модели машинного перевода OPUS-MT с ускоренным инференсом в CTranslate2, представленная Michael Feil. Модель переводит с немецкого языка на английский; исходная модель использует архитектуру Transformer-align, нормализацию текста и SentencePiece. Для ускорения заявлена int8-инференция на C++ с ускорением в 2–8 раз относительно исходного варианта. Модель предназначена для перевода немецких текстов на английский, в том числе новостных материалов. В README приведены результаты на нескольких тестовых наборах: BLEU от 26,8 до 29,4 и chr-F от 0,543 до 0,557. Лицензия репозитория — Apache-2.0.

Это модель DistilBERT для извлечения ответов на вопросы из текста. Её дообучили на наборе SQuAD на основе distilbert-base-uncased; архитектура реализована классом DistilBertForQuestionAnswering. Модель принимает вопрос и контекст и предсказывает ответный фрагмент текста. Модель подходит для поиска ответов в коротких текстовых отрывках, например в справочных материалах или статьях. Контекст ограничен 512 токенами. В карточке указана оценка Loss 1.1542 на наборе оценки, но подробности оценки и ограничения не приведены. Лицензия — Apache-2.0.

wnic00/distilbert-p1 — дообученная модель классификации текста на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student, построенной на архитектуре DistilBERT. Она предназначена для отнесения текста к категориям; базовая модель классифицирует тональность на 12 языках, но набор меток и языков, проверенных именно для этой версии, не описан. Модель использует формат PyTorch и принимает текстовые последовательности длиной до 512 токенов. На указанном в README наборе оценки модель достигла accuracy 0,6886 и loss 1,9133. Данные для дообучения, классы классификации и сведения о практических ограничениях не приведены. Лицензия — Apache-2.0.

echo-clip — модель семейства CLIP, опубликованная пользователем mkaichristensen на Hugging Face и предназначенная для классификации изображений без примеров обучения. Она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие метки; репозиторий поддерживает загрузку через OpenCLIP. Конфигурация указывает на визуальный энкодер ConvNeXt-Base и размерность эмбеддингов 512. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. Карточка не сообщает размер модели в параметрах, контекст или список поддерживаемых языков. Репозиторий распространяется по лицензии MIT.

Eklav-0.6B-Reranker-CotGen — дообученная командами Eklav модель на базе Qwen/Qwen3-0.6B для ранжирования текстовых фрагментов по релевантности запросу. Это базовая линия CotGen: модель обучалась на задачах BRIGHT и NevIR методом полной дистилляции цепочки рассуждений. При использовании как поточечного реранкера она генерирует рассуждение, завершающееся меткой true или false; релевантность оценивают по логитам финального токена. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. Она принимает текст и выдаёт текст; заявлена поддержка диалогового режима. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. В README отмечено, что генерация с фиксированным лимитом токенов иногда затягивается, переходит в повторения и не завершает ответ. Для реранжирования авторы рекомендуют запуск через vLLM с условием остановки по строке.

Это пакет Mesh LLM с GGUF-слоями модели ERNIE-4.5-21B-A3B-Thinking в варианте UD-Q4_K_XL. Он подготовлен для распределённого запуска по нескольким машинам: слои модели разделены на отдельные артефакты, чтобы использовать общую память и вычислительные ресурсы локального кластера. Исходная модель — unsloth/ERNIE-4.5-21B-A3B-Thinking-GGUF; пакет поддерживает сценарии чата и генерации текста через локальный OpenAI-совместимый API Mesh LLM. Пакет рассчитан на приватный локальный инференс и обслуживание запросов, когда целая GGUF-модель не помещается на одном хосте. В карточке указаны семейство ERNIE и формат GGUF; параметры модели, длина контекста и поддерживаемые языки в предоставленных сведениях не описаны. Лицензия и подробные рекомендации по использованию приведены в карточке исходной модели и здесь не уточняются.

stillerman/fdt-disfluency-distilbert-66m-v5 — модель-разметчик для удаления речевых дисфлуентностей из транскриптов живой речи. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего короткая процедура реконструкции собирает очищенный текст. Модель основана на DistilBERT с архитектурой DistilBertForTokenClassification и содержит 65,2 млн параметров; контекст — 512 токенов. Версия v5 сохраняет слова like, когда они вводят цитату или сравнение, и удаляет их как заполнитель в соответствующем контексте. Модель предназначена для очистки разговорных транскриптов, в том числе в браузере через int8 ONNX и transformers.js; автор сообщает о времени обработки порядка 10–50 мс на высказывание и метриках exact match 0,9745 и DELETE-F1 0,9916. Архив модели также содержит веса safetensors. Она удаляет или корректирует только помеченные токены и не перефразирует текст. Лицензия репозитория — Apache-2.0, однако обучение частично использовало DailyDialog с лицензией CC BY-NC-SA, поэтому автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развертывания без дополнительной проверки условий.

FG-CLIP 2 Large — двуязычная модель компьютерного зрения и языка, разработанная Chunyu Xie, Bin Wang и коллегами. Она сопоставляет изображения с текстом и предназначена для тонкого понимания визуального содержимого на английском и китайском языках. В карточке модель загружается через Transformers как AutoModelForCausalLM с обработчиком изображений и токенизатором. Модель подходит для классификации изображений по текстовым описаниям без специального обучения, поиска изображений по запросу и поиска текста по изображению. Авторы сообщают о результатах на 29 наборах данных и 8 задачах, превосходящих SigLIP 2 и MetaCLIP 2; конкретные метрики и детали архитектуры в доступном README не приведены. Весы опубликованы в формате safetensors, лицензия — Apache-2.0.

gokaygokay/Florence-2-Flux — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель на базе Florence-2-base от Microsoft. Она предназначена для задач зрения, в которых нужно преобразовать изображение в текстовый ответ; семейство Florence-2 поддерживает описание изображений, распознавание текста и локализацию объектов по текстовым промптам. Репозиторий использует архитектуру Florence2ForConditionalGeneration и формат safetensors, а запуск предполагает библиотеку Transformers. Модель может быть полезна для анализа и текстового описания изображений. Карточка не раскрывает, какие именно возможности Florence-2 были дообучены и насколько хорошо они работают в этой версии. Лицензия — Apache-2.0.

FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели ong365/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели sumannath/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.