I.14Автоматизация процессов и AI-агенты

MobileCLIP-B (LT) — мультимодальная модель Apple из семейства MobileCLIP, опубликованная в рамках работы «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch. Модель сопоставляет изображения и текст, поддерживая классификацию изображений с нулевым обучением по текстовым описаниям классов. В README для MobileCLIP-B (LT) указана точность 77,2% top-1 на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые запросы и выдаёт оценки соответствия; число параметров и длина контекста для этого чекпойнта в предоставленных данных не приведены. Лицензия — Apple AMLR. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовому описанию. Фактическое качество может зависеть от формулировок текстовых меток и набора изображений.

Карточка модели abhi0127/moondream2 на Hugging Face совпадает с карточкой ThomasSimonini/Moondream2-streaming, поэтому описание составлено по ней. Moondream2-streaming — компактная плотная визуально-языковая модель семейства Moondream, опубликованная ThomasSimonini. Она предназначена для эффективного запуска на периферийных устройствах и отвечает на текстовые вопросы по изображениям, в том числе помогает читать документы и считать объекты. В карточке приведены результаты на VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE; репозиторий содержит варианты safetensors и GGUF F16. Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Для использования указан стек Transformers и einops. Версия модели обновляется, поэтому для воспроизводимости README рекомендует закреплять конкретный релиз. Лицензия — Apache-2.0.

Jeevesh8/multiberts_seed_0_ft_4 — модель для классификации текста на базе BERT, опубликованная пользователем Jeevesh8 и основанная на MultiBERTs Seed 0 от Google. Модель предназначена для задач text classification и загружается через Transformers; её исходная архитектура представляет собой BERT-base uncased, предварительно обученный на английском языке с использованием masked language modeling и next sentence prediction, а данный вариант дообучен для классификации текста. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Она подходит для присвоения текстам категорий или меток в прикладных классификационных сценариях, однако конкретная схема меток и исходный набор данных дообучения для этого варианта в доступных источниках не описаны. Модель не предназначена для генерации текста и ограничена английским языком и максимальной длиной контекста.

Multilingual IPTC Media Topic Classifier — классификатор новостных текстов, разработанный авторами исследования Kuzman и Ljubešić. Модель основана на XLM-RoBERTa large и дообучена для отнесения новостей к 17 верхнеуровневым категориям схемы IPTC Media Topic NewsCodes. Модель предназначена для автоматической тематической разметки новостных корпусов. Её обучали на 15 000 новостных текстах на хорватском, словенском, каталанском и греческом языках; в README указано, что её можно применять к новостям на языках, поддерживаемых XLM-RoBERTa. В тестировании на четырёх языках модель показала macro-F1 0,746 и accuracy 0,734. Для надёжных результатов рекомендуется использовать документы длиной не менее 75 слов. Это плотная модель классификации последовательностей с 658,7 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса safetensors. Лицензия — CC BY-SA 4.0.

MultiSlav multislav-5lang — модель машинного перевода, разработанная командой MLR @ Allegro совместно с Laniqo.com. Это encoder-decoder модель MarianMTModel на архитектуре Marian с конфигурацией Transformer-big; в метаданных указано 182,6 млн параметров, а README приводит размер 258 млн. Модель переводит между чешским, английским, польским, словацким и словенским языками. Для генерации нужно указать целевой язык специальным токеном; поддерживаются направления между всеми пятью языками. Контекст модели — до 1024 токенов. Модель обучена на 578 млн примеров из открытых параллельных корпусов и оценивалась на Flores200. Она предназначена для многоязычного перевода, в том числе между славянскими языками; авторы сообщают об улучшении относительно двунаправленных и pivot-базовых моделей в большинстве направлений. Возможны ошибки и смещения, особенно при переводе с английского на славянские языки, где требуется передать грамматический род; авторы рекомендуют проверять качество и смещения для конкретной области. Лицензия CC BY 4.0 допускает коммерческое использование.

Это 4-битная MLX-конверсия потоковой модели распознавания речи Nemotron-3.5 ASR Streaming от NVIDIA, подготовленная aufklarer для Apple Silicon. Модель содержит около 600 млн параметров и использует архитектуру FastConformer-CacheAware-RNN-T с языковым промптом. Она принимает аудио и выдаёт текстовую расшифровку в потоковом режиме; в карточке указана поддержка 40 языков, а метаданные перечисляют английский, испанский, немецкий, французский, итальянский, португальский, русский, хинди, китайский, японский, корейский и арабский. Квантизация до 4 бит уменьшает размер весов до 473 МБ и пиковое потребление памяти примерно до 750 МБ. В тестах на Apple Silicon M5 Pro модель показала задержку обработки чанка 12,8 мс на медиане и 15,6 мс на 99-м перцентиле. По данным карточки, средняя ошибка распознавания возрастает примерно на 6 процентных пунктов относительно исходной версии fp32; особенно заметно это для хинди и американского английского. Автор рекомендует вариант для локальных ассистентов и предварительных расшифровок, когда допустима потеря точности. Условия лицензии обозначены как other; конкретные права использования следует проверить в лицензии репозитория.

arubenruben/NER-PT-BERT-CRF-Conll2003 — дообученная модель BERT для распознавания именованных сущностей в португальском тексте. Для декодирования последовательности меток используется Conditional Random Field (CRF); основная схема разметки — CoNLL-2003, также доступны схемы HAREM Default и Selective. Модель предназначена для извлечения сущностей из текста с помощью Transformers и применима в проектах анализа португальского языка. В README сообщается о тестировании на Portuguese Wikineural Dataset с результатом F1 0,951. Репозиторий содержит веса PyTorch; лицензия и размер модели в предоставленных данных не указаны.

Это версия модели машинного перевода NLLB-200 Distilled 600M от Meta AI, преобразованная для инференса через CTranslate2 и квантованная до INT8. Репозиторий указывает 463,7 млн параметров; модель основана на архитектуре M2M100 и поддерживает перевод между 200 языками. Контекст по метаданным — 1024 токена, однако README рекомендует ограничивать вход 512 токенами. Модель предназначена для перевода отдельных предложений, в том числе между языками с небольшим объёмом обучающих данных. Квантование рассчитано на ускорение инференса и снижение потребления памяти при запуске на CPU или GPU. Оценка проводилась на Flores-200 с метриками BLEU, spBLEU и chrF++. README предупреждает о возможных ошибках перевода и неполном учёте языковых вариантов; тестирование преимущественно охватывало материалы Wikimedia. Модель не рекомендуется для сертифицированных переводов и специализированных медицинских или юридических текстов, а её результаты не следует использовать для критичных решений без проверки. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства, но не коммерческое применение.

no1x-1.5Bv1 — языковая модель blackerx для генерации текста и диалогового общения. Это дообученная версия unsloth/Qwen2.5-1.5B-Instruct-bnb-4bit на архитектуре Qwen2, с 1,5 млрд параметров и контекстом до 32 768 токенов. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Модель подходит для диалоговых помощников и генерации ответов на текстовые запросы; метаданные также отмечают интерфейс вызова инструментов. README рекомендует использовать системный промпт no1x, однако его описание не подтверждает специализированные возможности или качество на конкретных задачах. Модель принимает и генерирует текст; в метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Как компактная модель с 1,5 млрд параметров, она может уступать более крупным моделям в сложных задачах; отдельные результаты оценки качества в карточке не приведены.

Карточка модели localized-ft/OLMo-3-7B-bad-medical-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-bad-medical-advice-ip-negate 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-kld-seed2 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-kld-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-bad-medical-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.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-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.

Open-Dcoder-0.5B-CDLM-OpenCodeInstruct — компактная модель генерации кода, разработанная Shuibai12138 как часть открытого релиза Corrective Diffusion Language Models. Это дообученная на 2 000 шагах версия fredzzp/open-dcoder-0.5B на наборе nvidia/OpenCodeInstruct с корректирующей целью CDLM: к маскированному зашумлению добавлена равномерная замена 10% видимых токенов. Архитектура — плотная Qwen2 с 494 млн параметров и контекстом 32 768 токенов. Модель предназначена для генерации кода по текстовым запросам, а также для локализации и исправления заменённых фрагментов кода. Она использует маскированную диффузию и двунаправленное внимание; загрузка через AutoModelForCausalLM приводит к некорректным результатам, поэтому для оценки следует применять средства из репозитория CDLM. Обучение выполнено на открытом корпусе OpenCodeInstruct; результаты этой модели не являются результатами моделей из статьи. Лицензия — MIT. В README отмечено ограничение в реализации вычисления градиента: веса отдельных токенов обучающей цели фактически не применялись ожидаемым образом, хотя значения логируемых потерь корректны. Это может влиять на качество и воспроизводимость обучения.

Это модель машинного перевода OPUS-MT для перевода текста с английского на португальский, разработанная на базе Helsinki-NLP/opus-mt-tc-big-en-pt. Она использует архитектуру MarianMT и содержит 156,8 млн параметров; модель предназначена для работы через Transformers-совместимые инструменты Marian. Для неё указан контекст длиной до 1024 токенов и обучение на данных OPUS. Модель подходит для перевода документов, статей и пользовательских сообщений с английского на португальский. В карточке исходной модели приведены оценки BLEU 50,4 на flores101-devtest и 49,6 на tatoeba-test-v2021-08-07; эти результаты не проверялись независимо для данного репозитория. Качество может меняться в зависимости от тематики и стиля текста. Репозиторий содержит зеркальную публикацию исходных весов в safetensors без дополнительной конвертации или дообучения. Лицензия — CC BY 4.0.

opus-mt-en-ROMANCE — модель машинного перевода Helsinki-NLP для перевода с английского на французский, испанский, португальский, итальянский, румынский и другие романские языки и их варианты. Она построена на архитектуре Marian Transformer, содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Для выбора языка перевода перед текстом требуется указать начальный токен целевого языка вида >>id<<; предварительная обработка включает нормализацию и SentencePiece. Модель обучена на данных OPUS и поддерживает перевод на широкий набор языковых вариантов, включая региональные варианты французского, испанского и португальского. В карточке приведён результат для теста Tatoeba.en.la: BLEU 50,1 и chr-F 0,693. Доступны форматы PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

ooeoeo/opus-mt-en-ru-ct2-float16 — конвертированная версия модели Helsinki-NLP для перевода с английского на русский. Модель в формате CTranslate2 с точностью float16 предназначена для запуска в настольном движке ooeoeo с inference runtime opus-mt-server. Модель использует вариант base семейства OPUS-MT и выполняет машинный перевод текста с английского языка на русский. В README не приведены размер модели и длина контекста. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-fr-en — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с французского на английский и предназначена для перевода отдельных текстов и документов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 55,6 млн, контекст — до 512 токенов. В README приведены результаты на тестовых наборах новостных текстов: BLEU от 30,3 до 38,7. Модель поддерживает французский как исходный и английский как целевой язык. Распространяется по лицензии Apache-2.0.

Helsinki-NLP выпустила Helsinki-NLP/opus-mt-itc-en — компактную модель машинного перевода семейства Marian на архитектуре Transformer. Она переводит с группы италийских языков на английский; среди языков источника README перечисляет итальянский, каталанский, испанский, португальский, французский, румынский, окситанский, романшский и другие, включая региональные языки и варианты. Модель содержит 54,4 млн параметров, использует нормализацию и SentencePiece с моделями токенизации spm32k для исходного и целевого текста, а длина контекста составляет 512 токенов. Модель предназначена для перевода текстов с языков-источников на английский, в том числе для локализации и обработки многоязычных материалов. В карточке приведены результаты на тестовых наборах, включая BLEU 36,5 для перевода с румынского и значения BLEU 30,9 и 35,5 для перевода с французского; качество может различаться в зависимости от языка, тематики и формулировок. Модель принимает и выдаёт текст. Лицензия — Apache-2.0.

PantryMax SmolVLM-500M ONNX — мультимодальная модель на базе Idefics3, выпущенная как браузерная сборка ONNX Runtime Web. Это LoRA-файнтюн HuggingFaceTB/SmolVLM-500M-Instruct для локального извлечения сведений с этикеток товаров и страниц рецептов. Модель принимает изображение и выбранную задачу («product» или «recipe»), а приложение PantryMax ограничивает генерацию соответствующей JSON-схемой. Сборка предназначена для работы прямо в браузере без отправки изображений на сервер; в репозитории находятся только браузерные runtime-файлы. Метаданные указывают мультиязычную поддержку и задачу image-to-text. Извлечённые поля могут быть ошибочными: структурированное декодирование обеспечивает разбираемый формат, но не гарантирует фактическую точность. Следует проверять результаты и не использовать модель как источник истины для решений с высокими ставками. Лицензия в метаданных обозначена как other, конкретные условия в предоставленной карточке не раскрыты.

PIXIE-Spell-Preview-1.7B — модель эмбеддингов компании TelePIX, построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов по запросам на корейском и английском языках, с особым вниманием к аэрокосмической тематике. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и использует косинусное сходство для сравнения; карточка указывает максимальную длину последовательности 8192 токена, а метаданные — контекст до 40960 токенов. Её можно применять для поиска по технической документации, ответов на вопросы с извлечением источников и построения семантического поиска в аэрокосмических и других предметных коллекциях. В README приведены результаты оценки на корейских и англоязычных наборах для поиска, включая задачи с длинными документами, многошаговыми вопросами и научными материалами. Модель распространяется по лицензии Apache-2.0.

Polygraf NER Stage 3 First Model — англоязычная модель распознавания именованных сущностей, разработанная для технической задачи Polygraf Applied NLP / NER. Это дообученная на проверенном вручную наборе данных модель DistilBERT с архитектурой DistilBertForTokenClassification; она размечает текст BIO-тегами для восьми типов сущностей: людей, организаций, мест, дат и времени, продуктов, произведений искусства, профессий и сумм. Модель предназначена для извлечения сущностей из англоязычных текстов, включая новостные материалы; контекст — до 512 токенов. В тестовой выборке Entity F1 составил 0,584, а на десяти вручную размеченных примерах вне основного набора — 0,5376. Это небольшой базовый чекпойнт для экспериментов и прикладных задач с проверкой качества: он склонен чрезмерно предсказывать произведения искусства, пропускать продукты и профессии, путать некоторые категории и фрагментировать многословные сущности. Обучение основано на 506 тренировочных и 127 тестовых записях, поэтому охват ограничен, в частности новостным уклоном данных; вложенные сущности не поддерживаются. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Daewon0808 дообучил Meta Llama 3.1 8B Instruct на 7,5 млрд параметров; веса доступны в формате safetensors. По названию репозитория и приведённым метрикам PRM модель предназначена для оценки шагов в решениях задач и проверки корректности рассуждений. В README указаны accuracy 0,8491 и F1 0,9059 на оценочном наборе, однако описание набора данных и подробности оценки отсутствуют. Модель принимает текст и генерирует текст; метаданные указывают на диалоговые возможности, контекст до 131 072 токенов и поддержку интерфейса вызова инструментов. Базовая модель поддерживает многоязычные диалоги, но языки обучения этой производной модели не описаны. Условия использования наследуются от лицензии Llama 3.1.

Ertas AI разработала QMSum locator — англоязычный cross-encoder на базе BERT MiniLM L6 для первого этапа двухэтапного конвейера суммаризации встреч с учётом вопроса. Модель оценивает релевантность пар «запрос — фрагмент стенограммы» и помогает выбрать фрагменты для передачи суммаризатору. Она обучена на парах запросов и окон стенограмм из обучающей части QMSum; размер модели — 25,9 млн параметров, максимальный контекст — 512 токенов. Лицензия — Apache 2.0. Эта версия настроена на окна длиной 900 слов в соответствии с зафиксированным протоколом оценки. Поскольку окно обычно токенизируется примерно в 1 150 токенов, модель читает лишь начальную часть большинства окон: около 97,3% окон обрезаются, в среднем обрабатывается 47,7% текста окна. Поэтому оценки могут не учитывать важное содержимое в конце фрагмента. Модель проверялась на англоязычных стенограммах встреч QMSum в академической сфере, проектировании продуктов и парламентских комитетах; перенос на другие типы документов не проверен. Релевантность определяется перекрытием с размеченными эталонными фрагментами QMSum.

Shreyaallupati дообучила Qwen2.5-1.5B-Instruct-bnb-4bit для генерации текста. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; карточка отмечает обучение с Unsloth и библиотекой TRL. Модель поддерживает диалоговый режим и интерфейс вызова инструментов, а её контекст составляет до 32 768 токенов. В карточке нет сведений о специализированной предметной области или конкретных задачах merchant-агента, поэтому назначение ограничивается текстовой генерацией и диалоговым взаимодействием. Модель распространяется по лицензии Apache-2.0.

Модель thisavros/qwen25-1_5b-text2sql-lora-merged — дообученная автором thisavros языковая модель Qwen2.5-1.5B-Instruct. Она предназначена для генерации текста; название репозитория указывает на сценарий Text-to-SQL, однако README не описывает его точнее. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; базовая модель рассчитана на контекст до 32 768 токенов. Модель дообучена на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL от Hugging Face. Метаданные указывают поддержку английского языка и возможности чата. Лицензия — Apache-2.0.

jk200201 разработал Qwen2.5-Coder-7B BIRD CoT — инструкционную плотную языковую модель на 7,1 млрд параметров, дообученную на базе Qwen/Qwen2.5-Coder-7B-Instruct для преобразования запросов на естественном языке в SQL. Модель пошагово анализирует схему базы данных и формирует SQL-запрос; её обучали на проверенных выполнением примерах набора BIRD с дистилляцией цепочек рассуждений. Репозиторий содержит объединённую модель в формате safetensors. Модель ориентирована на аналитические запросы к реалистичным базам данных и схемам в стиле BIRD. В README указана точность выполнения 52,1% для одиночной генерации и 58,5% при self-consistency с K=8, требующей примерно в восемь раз больше инференса. Контекст — до 32 768 токенов; заявленный язык карточки — английский. Модель выдаёт рассуждение и SQL в диалекте SQLite. Она распространяется по лицензии Apache-2.0. Ограничения: настройка рассчитана на сценарии BIRD и аналитический SQL, необычные диалекты или предметные области могут потребовать адаптации. Сгенерированные запросы следует проверять перед запуском на производственных данных.

SpacemiT/Qwen3.5-2B — пакет для запуска мультимодальной модели Qwen3.5-2B от команды Qwen на платах SpacemiT K1/K3. Он предназначен для диалога с изображениями и их описания, а также поддерживает текстовые, программные и агентские сценарии. Текстовый декодер представлен GGUF-файлом в формате Q4_1, а визуальные энкодеры — ONNX-моделями для разрешений 224, 384 и 768 пикселей; для запуска используются конфигурации, настроенные под ускорители K1/X60 и K3/A100. Модель принимает текст и изображения и формирует текстовые ответы. README приводит примеры успешных проверок на обеих платах с запросом на описание изображения. Исходная модель распространяется по лицензии Apache-2.0; llama.cpp и ONNX Runtime имеют собственные лицензии.