I.14Автоматизация процессов и AI-агенты

Это экспериментальный текстовый генератор на архитектуре Qwen3 с плотной моделью из 1,7 млрд параметров. Разработчик yuq-zhou; репозиторий содержит резервную копию исследовательского чекпойнта в формате safetensors для загрузки через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 40 960 токенов. Карточка не описывает специализированные области применения или поддерживаемые естественные языки. Условия лицензии в доступных данных не приведены. Чекпойнт обозначен как исследовательский артефакт, поэтому его качество и пригодность для конкретных задач следует оценивать отдельно.

Adaptive Sentiment Classifier — модель MemChainAI для классификации английских текстов по тональности на положительные, отрицательные и нейтральные. Она основана на DistilBERT и создана с помощью библиотеки adaptive-classifier; обучение проводилось на примерах из набора SetFit/tweet_sentiment_extraction с применением адаптивного и непрерывного обучения. Модель предназначена для анализа отзывов, сообщений в социальных сетях и пользовательского контента. В карточке особо отмечена обработка технических описаний, вопросов и образовательных текстов как нейтральных. Заявленная точность на тесте составляет 80%; лицензия — MIT. Модель оптимизирована для английского языка и текстов, похожих на твиты, отзывы и вопросы. Качество может снижаться на текстах длиннее 200 символов и при наличии специализированной терминологии; результаты обучения могут отражать смещения исходных данных. Не следует использовать её как единственное основание для важных решений.

AfrimBert-QA-int4-qat — модель BERT для извлечения ответов на вопросы по тексту, созданная на основе amidblue/AfrimBert-QA с применением обучения с учётом квантования (QAT). Она предназначена для ответов на вопросы по контексту на африканских языках и английском; обучение проводилось на сбалансированной по языкам подвыборке AfriQuAD. Модель содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Репозиторий предоставляет обычный чекпойнт safetensors с весами, адаптированными к сетке квантования, а также целочисленные веса int4 с динамическими активациями int8; эмбеддинги хранятся в int8. Целочисленные веса экономят место, но ускорение вычислений int4 требует совместимого бэкенда. Условия лицензирования в предоставленных данных не описаны; базовая модель ограничена собственными условиями доступа, которые следует проверить перед публикацией производной модели.

Arabic Small Nougat — модель OCR, разработанная Mohamed Rashad для преобразования изображений страниц арабских книг в структурированный текст, в том числе в формате Markdown. Она использует архитектуру VisionEncoderDecoderModel на базе facebook/nougat-small и дообучена на наборе Fakhraddin/khatt и пользовательском наборе данных. Модель рассчитана на оцифровку арабской литературы и извлечение текста из печатных материалов; в карточке указаны арабский и английский языки. Максимальная длина контекста составляет 2048 токенов. Модель распространяется по лицензии GPL-3.0. При распознавании возможны повторы и ошибки в тексте, а также нерелевантные пути к изображениям в выводе. Длинные страницы могут транскрибироваться не полностью, поэтому результат следует проверять, особенно когда точность критична.

Модель jicoc22578/autotrain-livedoor_news-722922024 создана с помощью AutoTrain и предназначена для многоклассовой классификации текстов японских новостей из набора livedoor_news. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 138,4 млн параметров и принимающая текст длиной до 512 токенов. На проверочной выборке указаны accuracy 0,946 и macro F1 0,940. Модель подходит для отнесения японских новостных текстов к категориям, представленным в обучающих данных. В карточке указано использование PyTorch; лицензия не установлена по предоставленным данным.

Модель kaporter/bert-base-uncased-finetuned-squad — версия BERT base uncased, дообученная для ответов на вопросы на наборе SQuAD. Она принимает вопрос и текстовый контекст и извлекает из контекста фрагмент, который отвечает на вопрос. Модель содержит 136,7 млн параметров, использует архитектуру BERT для задачи question answering и обрабатывает контекст длиной до 512 токенов. Модель подходит для поиска ответов в коротких текстах на английском языке, например в справочных материалах и документации. В README приведено значение loss 1,0725 на оценочной выборке, но дополнительные результаты и сведения о конкретных ограничениях не описаны. Лицензия — Apache-2.0.

badokorach/bert-finetuned-squad-7 — модель BERT, дообученная разработчиком badokorach на основе badokorach/bert-finetuned-squad-5 для ответов на вопросы. Она предназначена для извлечения ответа из предоставленного контекста; карточка сообщает о дообучении на неизвестном наборе данных и приводит значение Train Loss 0,0011 на 29-й эпохе. Модель содержит 135,5 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текстовый ответ. Доступна в формате TensorFlow по лицензии Apache-2.0. Карточка не описывает обучающие и оценочные данные, языки, качество на независимых тестах или ограничения применения. Поэтому пригодность для конкретного языка и предметной области следует проверять отдельно.

sriram04/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и информационного поиска по финансовым материалам. Модель построена на BERT с CLS-пулингом и нормализацией векторов; для сравнения используется косинусное сходство. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, с некоторым снижением качества поиска. Максимальная длина входа — 512 токенов. По карточке, на приведённых тестах InformationRetrievalEvaluator точность cosine_accuracy@5 составляет 0,86 для 768 измерений и 0,8157 для 64; результаты относятся к указанным в карточке наборам оценки. Модель подходит для поиска связанных финансовых фрагментов, группировки документов и подготовки эмбеддингов для последующей классификации. Она работает с английским текстом; качество на иных языках не заявлено. Распространяется по лицензии Apache-2.0.

Это турецкоязычный переранжировщик seroe на основе BAAI/bge-reranker-v2-m3, дообученный как Cross Encoder на наборе vodex-turkish-triplets-large из 215 676 триплетов «запрос, релевантный текст, нерелевантный текст». Модель оценивает пары запроса и текста одним числовым баллом релевантности, чтобы переупорядочивать результаты поиска и улучшать семантический поиск. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, принимает текст и поддерживает последовательности длиной до 8194 токенов. В README приведены результаты оценки на турецких наборах val-hard и test-hard: NDCG@10 составляет 0,8425 и 0,8418 соответственно. Для работы указана библиотека Sentence Transformers. Модель распространяется по лицензии Apache-2.0.

bling-sheared-llama-1.3b-0.1 — англоязычная инструктивная модель llmware для генерации текста и локальной автоматизации задач с документами. Это плотная авторегрессионная модель семейства Llama на 1,3 млрд параметров, дообученная на базе princeton-nlp/Sheared-LLaMA-1.3B с помощью дистиллированных инструктивных наборов данных. Контекст составляет 4096 токенов; модель работает в формате PyTorch и ориентирована на запуск на CPU-ноутбуке без специальных оптимизаций квантования. Модель рассчитана на локальное прототипирование и сценарии RAG с чувствительными корпоративными данными. Она выполняет ответы на вопросы по предоставленному контексту, извлечение ключ-значение и базовое экстрактивное суммирование; также предназначена для сфокусированных инструктивных задач. В указанном бенчмарке RAG-Instruct-Benchmark-Tester средний результат составил 84,5 из 100, при этом качество ответов на сложные вопросы было низким, а по математике и логике — слабым. Модель разработала llmware; лицензия Apache 2.0. Ответы могут быть неточными или неполными, поэтому их следует проверять, особенно в важных сценариях. README описывает поддержку английского языка.

Это модель BLIP для автоматического создания подписей к изображениям, основанная на архитектуре BLIP с визуальным энкодером ViT-Base. Разработчики BLIP предложили этот подход для задач понимания и генерации по изображениям; данная версия предварительно обучена на COCO и предназначена для генерации подписей. Модель принимает изображение и выдаёт текстовое описание. Поддерживаются условная генерация по заданному контексту и генерация без него. Репозиторий содержит варианты весов PyTorch и TensorFlow. Лицензия — BSD 3-Clause. Модель может быть полезна для автоматического описания изображений и подготовки подписей для визуального контента. Карточка предупреждает, что точность, безопасность и справедливость не оценивались для всех сценариев; перед внедрением результаты следует проверять, особенно в задачах с существенными последствиями.

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

almanach/camembertav2-base-fquad — франкоязычная модель для извлекающего ответа на вопросы, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на базе almanach/camembertav2-base на датасете FQuAD и использует архитектуру DeBERTa-v2 с 138,4 млн параметров. Модель принимает вопрос и контекст на французском языке и извлекает ответ из текста; длина контекста составляет до 1024 токенов. На датасете FQuAD модель показывает F1 83,36 и Exact Match 64,43. Её можно применять для поиска ответов в текстах на французском языке, например, при работе с документами и справочными материалами. Лицензия — MIT. Качество может снижаться на данных, отличающихся от FQuAD; также модель может наследовать смещения обучающей выборки и не предназначена для других задач без дополнительной адаптации.

clawbert-149 — классификатор страниц документов, подаваемых в суды штата Калифорния, разработанный RayJackson30. Он принимает распознанный текст отдельной страницы и относит её к одному из 11 типов: основная страница, титульная или последующая титульная страница, оглавление, список органов власти, обложка приложения, подтверждение вручения, заверение, судебная форма, стенограмма или прочий тип. Модель предназначена для ранней маршрутизации страниц в конвейере обработки судебных документов и для добавления меток страниц перед поиском по документам или использованием с LLM. Это дообученная encoder-only модель ModernBERT-base с архитектурой ModernBertForSequenceClassification, примерно 149 млн параметров. Она обучена на около 13,6 тыс. размеченных страниц из 653 дел Калифорнии; для обучения использовались распознавания пяти OCR-систем. Код примера ограничивает вход 1536 токенами; конфигурация модели указывает контекст до 8192 токенов. Для классификации неоднозначных страниц в контексте целого документа в репозитории также есть отдельный контекстный слой размером 1,8 млн параметров. Модель принимает текст, полученный OCR, и выдаёт метку класса с оценкой вероятности. Она не выполняет OCR и не извлекает сведения из документов; дальнейшая обработка страниц также остаётся за другими компонентами. Классы и сигналы форматирования ориентированы на судебные документы Калифорнии, поэтому перенос на другие юрисдикции может потребовать проверки или дообучения. Репозиторий опубликован по лицензии Apache-2.0.

Карточка модели SajjadAyoubi/clip-fa-vision на Hugging Face совпадает с карточкой SajjadAyoubi/clip-fa-text, поэтому описание составлено по ней. CLIP-fa-text — текстовый энкодер персидской версии CLIP, созданной разработчиком Sajjad Ayoubi. Модель дообучена на 400 тысячах пар «изображение — текст»; в качестве текстового энкодера использована RoBERTa-fa Фарахани. Архитектура — RoBERTa, около 145,5 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Модель преобразует персидский текст в векторы размерности 768, сопоставимые с векторами изображений, получаемыми парным визуальным энкодером CLIP-fa. Это позволяет искать изображения по персидскому запросу и находить текстовые описания, близкие к изображению, в системах поиска и сопоставления мультимодальных данных. В карточке показан текстовый компонент; сам он принимает текст и выдаёт векторные признаки. Разработчик отмечает, что для обучения использовано меньше пар, чем для исходного CLIP, поэтому качество зависит от задачи и набора изображений. Лицензия в предоставленных сведениях не указана.

khalidalt/DeBERTa-v3-large-mnli — модель классификации текста на основе DeBERTa-v3-large от Microsoft, дообученная на наборе MultiNLI для распознавания логических отношений между парами текстов. Она сопоставляет посылку и гипотезу и может применяться для классификации без примеров: пользователь задаёт возможные метки в виде гипотез, а модель оценивает их соответствие входному тексту. Архитектура DeBERTa-v2 для классификации последовательностей содержит 533,8 млн параметров; модель работает с текстом на английском языке и поддерживает контекст до 512 токенов. Модель подходит для проверки текстового следования, выявления противоречий и тематической разметки текстов через набор гипотез. В README указано обучение на MultiNLI, содержащем пары предложений с отношениями следования; для других языков и задач карточка не приводит результатов. Лицензия в предоставленных данных не указана.

Это дообученная модель классификации текста на основе DeepSeek-R1-Distill-Qwen-1.5B, опубликованная пользователем botanical1058. Она построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для отнесения текста к классам; карточка не уточняет набор классов и предметную область. В README приведены результаты оценки: accuracy 0,8721, precision 0,8752, recall 0,8721 и F1 0,8726. Контекст модели — до 131 072 токенов. Она работает с текстом и сохранена в формате safetensors; библиотека для работы — Transformers. Лицензия — MIT.

Модель tjacquot/distilbert-base-uncased-finetuned — дообученная версия DistilBERT для классификации текста. В метаданных указан класс архитектуры DistilBertForSequenceClassification, библиотека Transformers и базовая модель distilbert/distilbert-base-uncased. Модель предназначена для отнесения текстовых последовательностей к классам. В карточке приведены результаты оценки: loss 0,2464 и precision 0,9070. Набор данных, метки классов и конкретная область применения не описаны. Контекст модели — до 512 токенов; модель принимает текст и выдаёт метки классификации. Модель распространяется под лицензией Apache-2.0. Поскольку данные обучения и схема классов не описаны, пригодность для конкретных задач следует оценивать отдельно.

BlueOrangeDigital разработала эту модель на основе DistilBERT и дообучила её классифицировать пары соседних предложений из английской Википедии: относятся ли они к разным разделам статьи. Её предназначение — находить границы между тематическими фрагментами и разбивать документы на связные части. Модель принимает текстовую пару в формате «правый контекст [SEP] левый контекст» и выдаёт класс классификации. Контекст ограничен 512 токенами; для каждого из двух фрагментов отводится до 255 токенов, а более длинные предложения обрезаются. Обучение проводилось на парах предложений из 40 тысяч статей Википедии; на валидации указаны accuracy 0,85 и F1 0,85. Модель подходит для сегментации англоязычных документов, похожих по структуре на статьи Википедии. Качество на других жанрах и языках не подтверждено, а ограничение контекста может влиять на обработку длинных предложений. Лицензия — Apache-2.0.

Distil-Qwen3-4B-Text2SQL-GGUF-4bit — 4-битная квантизированная GGUF-версия модели distil-labs/distil-qwen3-4b-text2sql от Distil Labs. Она преобразует вопросы на английском языке в SQL-запросы для SQLite; поддерживает запросы с SELECT, фильтрами, агрегатами, JOIN, группировкой, сортировкой, подзапросами и UNION. Формат Q4_K_M и размер около 2,5 ГБ рассчитаны на локальный запуск на потребительских компьютерах и устройствах с ограниченными ресурсами; заявлена совместимость с Ollama. В README приведены результаты внутренних сравнений с базовой Qwen3-4B и моделью-учителем DeepSeek-V3, включая exact match 60%. Это специализированная модель для Text-to-SQL, поэтому сгенерированные запросы следует проверять на соответствие схеме базы данных и требованиям безопасности. Лицензия — Apache-2.0.

pelmeshkass/elit-final — дообученная модель семейства Qwen3.5, созданная pelmeshkass на базе unsloth/Qwen3.6-27B с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ визуального содержимого; репозиторий также заявляет интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 1 048 576 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

facebook/fasttext-pt-vectors — готовые векторные представления слов на португальском языке для библиотеки fastText, разработанной Facebook. Модель предназначена для извлечения признаков из текста, языковой идентификации и использования в качестве входных представлений для классификаторов и других NLP-систем. Векторы обучены методом CBOW с позиционными весами на текстах Common Crawl и Википедии. Размерность представлений — 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычных многоядерных процессорах и подходит для прототипирования и применения в продуктивных системах. Модель выдает векторы слов, а не готовые ответы или метки классов. В README отмечен риск смещённых предсказаний; косинусное сходство между векторами можно использовать для оценки семантической близости. Лицензия — CC-BY-SA-3.0.

FelaTab — модель для классификации и регрессии по табличным данным, разработанная lowdown-labs. Она получает строки с известными метками и строки-запросы, для которых нужно предсказать метку или значение, и делает прогноз за один проход без обучения на конкретной таблице. Модель обучена на синтетических таблицах и рассчитана на перенос этих закономерностей на ранее не встречавшиеся реальные данные. Архитектура — prior-fitted network с delta-rule линейным вниманием и landmark-вниманием по опорным строкам. Доступны вложенные варианты размером 51,6 млн и 411,9 млн параметров; веса опубликованы в формате safetensors, README также описывает рекомендуемые варианты int8. Модель принимает числовые признаки: до 100 столбцов-признаков и до 10 классов для классификации. Для классификации возвращает вероятности классов, для регрессии — прогноз и стандартное отклонение. FelaTab предназначена для быстрого прогнозирования и автозаполнения небольших и средних таблиц, включая сценарии работы с электронными таблицами и базами данных; заявлена работа на CPU без GPU. На приведённых в README тестах она служит сильной базовой моделью без настройки, но для максимальной точности, особенно в регрессии, авторы рекомендуют сравнивать её с настроенными градиентно-бустинговыми деревьями. Качество на существенно отличающихся распределениях следует проверять на отложенных данных; модель не следует использовать как единственное основание для важных решений. Лицензия — Apache-2.0; README обозначает выпуск как предварительную исследовательскую версию для оценки и развития открытой науки.

Карточка модели bakarqureshi/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 Ninja2005/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.

Immerwinter/gbert-large-privacy-policy-content-securityprivacy — немецкоязычная модель классификации текста на базе BERT, дообученная на deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к теме Security/Privacy в рамках конвейера анализа документов. Архитектура — BertForSequenceClassification, размер — 434,5 млн параметров, контекст — до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Модель принимает текст и выдаёт метку классификации. В карточке перечислены темы политики конфиденциальности, однако описание разметки не уточняет, как именно этот чекпойнт соотносится с отдельными темами. Лицензия — Apache-2.0.

GRM-gemma2-2B-rewardmodel-ft — модель оценки предпочтений (reward model) на базе Gemma 2, разработанная авторами GRM. Она дообучена на Ray2333/GRM-Gemma2-2B-sftreg с использованием очищенного от пересечений набора предпочтений Skywork/Skywork-Reward-Preference-80K-v0.2. Модель содержит 2,7 млрд параметров, использует архитектуру Gemma2ForSequenceClassification и принимает текст для классификации и оценки ответов.

iKG-v1.0 (ICKG, Integrated Contextual Knowledge Graph Generator) — авторегрессионная языковая модель на архитектуре Transformer, разработанная Xiaohui Li для построения графов знаний по инструкциям и специализированным запросам. Модель дообучена на Vicuna-7B, основанной на LLaMA; метаданные указывают семейство LLaMA и размер 6,6 млрд параметров. Она генерирует графы знаний из текстовых инструкций, уделяя внимание качеству и соблюдению заданного формата. В карточке приведена предварительная оценка, в которой iKG показала результаты выше GPT-3.5 и исходной Vicuna-7B на задачах построения графов знаний и сопоставимые с GPT-4; подробностей методики оценки нет. Контекст модели — 2048 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Sof22/image-caption-large-copy — модель описания изображений на основе BLIP от Salesforce с визуальным энкодером ViT-Large. Она предназначена для генерации подписей к изображениям в условном и безусловном режимах; автор карточки отмечает настройку параметров генерации для увеличения длины ответа. Модель предобучена для описания изображений на датасете COCO и использует архитектуру BlipForConditionalGeneration. Модель принимает изображения и генерирует текстовые описания. В репозитории доступны форматы PyTorch и TensorFlow. Карточка не сообщает о поддерживаемых естественных языках. Лицензия — BSD 3-Clause.

hotchpotch/japanese-reranker-tiny-v2 — небольшая японская модель для повторного ранжирования текстов, разработанная hotchpotch. Она оценивает релевантность пар запроса и документа, чтобы упорядочивать результаты поиска или кандидаты, полученные на первом этапе поиска. Модель предназначена для японских сценариев, включая улучшение поиска и RAG-систем, где важны низкая задержка и работа на ограниченных вычислительных ресурсах. Модель дообучена на основе cl-nagoya/ruri-v3-pt-30m и использует плотную архитектуру ModernBERT с 3 слоями и размером скрытого состояния 256; содержит 29,4 млн параметров и принимает последовательности длиной до 8192 токенов. В README приведены оценки на японских наборах JQaRA, JaCWIR, MIRACL и JSQuAD, а также замеры скорости для GPU, Apple Silicon и CPU; производительность зависит от оборудования и конфигурации. Доступны форматы Safetensors и ONNX, для использования описаны Transformers и Sentence Transformers. Лицензия — MIT.