I.14Автоматизация процессов и AI-агенты

JevBerta — модель leobitz для классификации с нулевым обучением на структурированных задачах с переменным числом вариантов ответа. Она принимает контекст, запрос и список вариантов, а для интерфейса JEV сопоставляет состояние с контекстом, инструкции — с запросом, а критерии — с вариантами. Для каждого варианта формируется пара текстов, которую обрабатывает Transformer-энкодер на базе microsoft/deberta-v3-base; затем блоки внимания по набору вариантов учитывают их взаимосвязь, а MLP выдаёт нормированные вероятности. Размер модели в README указан как 198 млн параметров. В приведённом снимке точность составляет 0,854 на validation и 0,627 на ood_eval; результаты зависят от набора данных и не гарантируют качество на конкретной задаче. Модель предназначена для выбора среди заданных кандидатов, а не для свободной генерации ответов. Лицензия — MIT.

Kimi-K3-UD-Q4_K_XL-layers — пакет GGUF-слоёв семейства Kimi, подготовленный для распределённого запуска через Mesh LLM на локальном кластере. Он создан на основе unsloth/Kimi-K3-GGUF и сохраняет исходную модель в виде отдельных артефактов по слоям; вариант использует квантование UD-Q4_K_XL. Модель предназначена для диалогов с текстом и изображениями, локального приватного инференса и обслуживания запросов через совместимый с OpenAI интерфейс чата. Пакет позволяет распределять вычисления и память между несколькими машинами, когда полный GGUF неудобно запускать на одном узле. Для работы требуется Mesh LLM и набор частей пакета. Репозиторий указывает лицензию «other»; условия использования следует сверять с карточкой исходной модели unsloth/Kimi-K3-GGUF.

Это модель распознавания именованных сущностей в юридических текстах на бразильском португальском языке. Её разработал dominguesm, дообучив dominguesm/legal-bert-base-cased-ptbr на задаче классификации токенов. Модель построена на BERT, содержит 136,1 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель выделяет людей, организации, места, временные выражения, законодательные акты и судебную практику. Она предназначена для анализа юридических документов, исследований в области обработки естественного языка и правовых технологий. В README приведены тестовые метрики: общие precision 0,943, recall 0,961 и F1 0,952. Для обучения использовались юридические документы, предоставленные Федеральным верховным судом Бразилии на условиях LREC 2020. Автор предупреждает о возможной проблеме pipeline с максимальной длиной входной последовательности. Модель распространяется по лицензии CC BY 4.0.

Карточка модели Monad-dz/legal-embedding-model-V2 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

Карточка модели Monad-dz/legal-embedding-model-V6 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

dalatexcoder/LFM2.5-230M-heretic-v1 — производная модель семейства LFM2.5 от Liquid AI, созданная abliteration дообученной модели LiquidAI/LFM2.5-230M-Base. Это компактная текстовая модель с архитектурой LFM2 dense и 221,2 млн параметров, рассчитанная на запуск на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов; README базовой модели описывает контекст в 32 768 токенов, поэтому фактический предел для этой версии требует проверки. Модель предназначена для генерации диалогового текста, извлечения данных и лёгких агентных сценариев с вызовом инструментов. Abliteration заметно снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью. Базовая карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского, испанского, португальского и итальянского языков; данных о специальной русскоязычной настройке нет. README не рекомендует модель для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия обозначена как other, конкретные условия в предоставленных данных не описаны.

reranker_0.5_cont_filt_7max — это модель для ранжирования текстов, созданная на основе Qwen/Qwen2.5-0.5B-Instruct и дообученная разработчиком lightblue на датасете reranker_continuous_filt_max7_train. GGUF-квантизации модели подготовил Richard Erkhov. Модель предназначена для задач reranking: оценки релевантности текстовых вариантов и упорядочивания результатов поиска или кандидатов по соответствию запросу. В основе используется компактная языковая модель Qwen2.5 с размером 0,5 млрд параметров; исходная модель поддерживает текстовый режим, однако сведения о фактических языках, максимальной длине контекста и формате входных данных для этой версии не приведены. Указана оценка на тестовой выборке: loss 0,3869. Доступны варианты GGUF с методами квантизации от Q2_K до Q8_0 размером примерно от 0,39 до 0,63 ГБ, что позволяет выбирать между экономией памяти и сохранением качества. Сильными сторонами являются небольшой размер, возможность локального запуска в формате GGUF и специализация на ранжировании. Ограничения связаны с неполным описанием назначения, данных обучения, поддерживаемых языков, контекста и практических метрик качества; указан только loss. Лицензия оригинальной модели обозначена как other, но точные условия использования в карточке не уточняются.

Модель namannn/llama2-13b-hyperbolic-cluster-pruned — производная от Meta Llama 2 13B, созданная с помощью слияния на основе гиперболоидных проекций. В карточке указано, что в модели сохранён 31 слой и что она сохраняет значительную часть результатов на бенчмарках, однако подробности оценки не приведены. Модель предназначена для генерации текста; метаданные также отмечают поддержку задач, связанных с кодом. Это плотная авторегрессионная архитектура LlamaForCausalLM с контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Модель распространяется по лицензии MIT. В карточке не описаны языки естественного текста и конкретные сценарии использования; сведения о сохранении результатов на бенчмарках не сопровождаются названиями тестов или численными оценками.

Это дообученная методом QLoRA 4-битная модель Llama 2 7B, созданная edumunozsala для генерации кода на Python по инструкциям. Она использует авторегрессионную архитектуру Transformer и обучалась на наборе python_code_instructions_18k_alpaca с примерами описаний задач и кода в формате инструкций. Модель подходит для генерации фрагментов Python-кода и помощи при решении задач программирования по текстовым запросам. Она содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель принимает текст и генерирует текст с кодом; сведения о поддержке других языков программирования не приведены. Базовая модель Llama 2 разработана Meta. Репозиторий распространяется по лицензии Apache-2.0. Поскольку модель специально дообучена на Python-примерах, её применение для других языков программирования и общих диалоговых задач не подтверждено.

Модель nith24/llama-3.2-1b-routing-merged — дообученная языковая модель семейства Llama 3.2, разработанная nith24 на базе unsloth/Llama-3.2-1B-Instruct-bnb-4bit. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 1,2 млрд параметров, предназначенная для генерации текста и диалогов. Карточка указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст; метаданные также отмечают интерфейс вызова инструментов. В карточке заявлен английский язык, а контекстное окно составляет 131 072 токена. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализированные сценарии маршрутизации, поэтому пригодность для конкретной routing-задачи по представленным данным подтвердить нельзя.

SimpleBerry/LLaMA-O1-Supervised-1129 — дообученная SimpleBerry языковая модель семейства LLaMA с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для генерации ответов в диалоге и пошаговых рассуждений, в том числе при решении задач на логику и арифметику. Модель обучена на наборе SimpleBerry/OpenLongCoT-SFT и поддерживает контекст до 131 072 токенов. Модель принимает текст и генерирует текст. В README приведён пример решения задачи с подробной цепочкой рассуждений. Модель распространяется в формате safetensors под лицензией other; условия лицензии следует уточнить в карточке модели и у правообладателя.

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-4e-2k-1of4-impinit-lr5e-4-sd44_20260830_084700 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune для генерации текста и диалогов. Она содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для запуска через Transformers; веса представлены в форматах PyTorch и Safetensors. Контекст модели составляет до 40 960 токенов. Карточка не описывает датасет, целевые сценарии или результаты оценки, поэтому качество и специализацию дообучения определить нельзя. Метаданные указывают на возможности чата и интерфейс вызова инструментов, но отдельные языки не заявлены. Модель распространяется по лицензии Apache-2.0.

JunxiongWang/M1-3B-SFT — плотная языковая модель семейства Llama с 3,2 млрд параметров, представленная как модель для статьи «M1: Towards Scalable Test-Time Compute with Mamba Reasoning Models». Она предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, использует библиотеку Transformers и формат safetensors. Заявленная длина контекста — 131 072 токена. Модель связана с исследовательской работой о масштабировании вычислений во время вывода для рассуждающих моделей Mamba. Карточка не сообщает подробностей обучения, поддерживаемых естественных языков или результатов оценки качества. Лицензия — MIT, разрешающая использование и модификацию на её условиях.

MADLAD-400-10B-MT — многоязычная модель машинного перевода на архитектуре T5, созданная исследовательской командой MADLAD-400; автор карточки jbochi конвертировал исходные веса. Модель обучена на 250 млрд токенов общедоступных данных и предназначена для перевода и многоязычных NLP-задач более чем на 400 языках. В репозитории представлены веса Safetensors и GGUF, а метаданные указывают около 2,4 млрд параметров и контекст 512 токенов. Модель можно применять для перевода текстов между языками, в том числе для языков, недостаточно представленных в крупных корпусах. Качество зависит от языка и, вероятно, от предметной области; оценка охватывала 204 языка и задачи машинного перевода и перевода по нескольким примерам. Обучающие веб-данные могут приводить к низкокачественным или проблемным ответам. Модель выпущена под лицензией Apache 2.0; карточка отмечает, что готовность к производственному использованию не оценивалась.

SzilviaB/Magnum_Lyra_Darkness_12b — объединение языковых моделей, созданное автором репозитория с помощью mergekit и метода SLERP. В состав вошли anthracite-org/magnum-v4-12b и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS; в конфигурации базовой указана anthracite-org/magnum-v4-12b. Модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов, а также может использоваться для создания прозы. Метаданные указывают интерфейс чата и вызова инструментов. Заявленная длина контекста — 1 024 000 токенов; модель опубликована в формате safetensors для библиотеки Transformers. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

QuantFactory/MAmmoTH2-7B-GGUF — квантизированная версия модели TIGER-Lab/MAmmoTH2-7B, созданная QuantFactory с использованием llama.cpp. Базой служит Mistral; модель предназначена для генерации текста и улучшения способностей больших языковых моделей к рассуждениям благодаря дообучению на инструкциях. Указанный разработчиком датасет — TIGER-Lab/WebInstructSub, сформированный из веб-корпуса и содержащий крупный набор пар «инструкция–ответ». Модель ориентирована прежде всего на решение математических задач, ответы на открытые и тестовые вопросы, а также общие сценарии, требующие пошагового рассуждения. Она поддерживает английский язык и работает в текстовой модальности. Размер исходной модели — 7B параметров; формат GGUF предназначен для использования с llama.cpp и совместимыми инструментами. Точный размер контекстного окна и конкретный метод квантизации в README не указаны. Сильная сторона модели — заметное улучшение результатов на наборах математических и reasoning-задач по сравнению с базовой Mistral 7B: для MAmmoTH2-7B заявлены 36,7% на MATH и 68,4% на GSM8K, а средний результат по приведённому набору бенчмарков составляет 52,7%. Ограничения включают зависимость качества от сложности и формулировки задачи и неполное покрытие различных областей математики. Модель распространяется по лицензии MIT.

M-BERT Distil 40 — мультиязычная текстовая модель проекта Multilingual-CLIP, дообученная на базе distilbert-base-multilingual для согласования текстовых эмбеддингов с пространством текстового энкодера CLIP, используемого вместе с визуальным энкодером ResNet-50x4. Она извлекает признаки из текста и предназначена для мультиязычного поиска по изображениям и сопоставления текста с изображениями в сочетании с исходным CLIP-энкодером и дополнительными линейными весами. Модель дообучали на парах предложений и описаний изображений для 40 языков: предложения брали из GCC, MSCOCO и VizWiz, а переводы создавали с помощью AWS Translate. Контекст модели составляет 512 токенов. В карточке отмечены приемлемые качественные результаты для французского, немецкого, испанского, русского, шведского и греческого языков; результаты могут различаться между языками из-за неодинакового качества переводов. Для применения требуется исходный визуальный энкодер CLIP и дополнительные веса. Лицензия в предоставленных данных не указана.

Это объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная сообществом mergekit-community методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1. Конфигурация смещает вклад Hermes к входным и выходным слоям, а WizardMath — к средним слоям. Модель предназначена для генерации текста и диалогов, в том числе для сочетания инструкционного общения с математическими задачами. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и отдельные результаты оценки качества в предоставленных данных не описаны. Как и у других объединённых моделей, качество может различаться между задачами и требует проверки на целевом сценарии.

Карточка модели mergekit-community/mergekit-slerp-ryidhrq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Distilled MetaCLIP 2 ViT-S/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты классов, а модель сопоставляет их с изображением. Модель мультиязычная, построена на архитектуре MetaClip2Model и распространяется в формате safetensors для библиотеки Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RhapsodyAI выпустила MiniCPM-V-Embedding-preview — модель визуальных эмбеддингов на архитектуре MiniCPM-V, предназначенную для поиска страниц документов по смыслу. Она принимает изображения страниц и преобразует их в векторы; README описывает обучение на более чем 200 тысячах пар запросов и визуальных документов, включая PDF, книги, графики, диаграммы, научные иллюстрации и отраслевые документы. Модель подходит для поиска страниц, отвечающих на вопрос, в длинных PDF и личных библиотеках. В метаданных указаны 2,7 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. README также сообщает, что для локального запуска рекомендуется не менее 32 ГБ памяти. Модель ориентирована прежде всего на английский язык; авторы предупреждают о слабых результатах для китайского и других неанглийских задач поиска. Это альфа-версия: качество может быть недостаточным для отдельных сценариев, скорость инференса низкая, а код моделирования ещё не стандартизирован.

Mitchins дообучил Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления терминальных команд с их описаниями. Модель кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает энкодер BertModel, mean pooling и нормализацию. В README указана максимальная длина последовательности 256 токенов; метаданные указывают контекст 512 токенов. Модель предназначена для семантического поиска и сравнения команд оболочки с описаниями, а также для поиска перефразировок, кластеризации и классификации текстов в этой предметной области. Обучение выполнено на 78 768 парах предложений с MultipleNegativesRankingLoss. По приведённым примерам дообучение улучшает разделение подходящих и неподходящих пар, но карточка не содержит широких независимых оценок качества. Базовая модель ориентирована на английский язык; лицензия в предоставленных данных не указана.

AvoCahDoe/mistral-7b-rlmpq-high-fidelity — вариант Mistral-7B-v0.1, подготовленный методом RL-MPQ (Reinforcement Learning Mixed-Precision Quantization) для сценария High Fidelity. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; средняя разрядность весов составляет 4,4375 бита. Экспортированы fake-quantized веса FP16 для работы с Hugging Face Transformers. Модель предназначена для генерации текста и может применяться в сценариях, где нужна компактная версия Mistral-7B с приоритетом на сохранение качества. В README качество сверяется по perplexity на WikiText-2, однако численное значение для этого варианта в предоставленном фрагменте отсутствует. Модель поддерживает контекст до 32 768 токенов; в карточке указан английский язык и датасет WikiText. Лицензия — Apache-2.0.

MobileCLIP2-B-OpenCLIP — адаптированный чекпойнт модели MobileCLIP2-B, разработанной Apple и опубликованной в рамках работы MobileCLIP2: Improving Multi-Modal Reinforced Training. Репозиторий использует конфигурации OpenCLIP и соответствующие имена весов; доступны веса PyTorch и safetensors для библиотеки open_clip. Модель предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без специального обучения на этих классах. Вариант MobileCLIP2-B содержит 86,3 млн параметров в визуальной части и 63,4 млн в текстовой. В карточке приведён результат 79,4% top-1 для zero-shot ImageNet и среднее 65,8% на 38 наборах данных. Модель подойдёт для быстрой классификации изображений по пользовательским категориям и построения поиска по соответствию текста и изображения. Карточка не приводит сведения о поддерживаемых языках или длине контекста. Лицензия — Apple AMLR; перед использованием следует учитывать её условия.

MobileCLIP-S2 — компактная модель сопоставления изображений и текста от Apple, представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training на CVPR 2024. Этот репозиторий содержит чекпойнт для timm в формате PyTorch. Модель предназначена для классификации изображений и распознавания объектов по текстовым описаниям без дополнительного обучения (zero-shot). Вариант S2 включает 35,7 млн параметров в визуальном энкодере и 63,4 млн в текстовом. По данным авторов, он показывает 74,4% точности top-1 на ImageNet в zero-shot режиме и в среднем 63,7% на 38 наборах данных; авторы также сообщают, что он быстрее и компактнее SigLIP ViT-B/16. Модель принимает изображения и текстовые описания, а для поиска и классификации сопоставляет их представления. Лицензия — Apple AMLR. В README не приведены сведения о длине контекста или перечне поддерживаемых естественных языков; результаты зависят от набора меток и описаний, используемых при zero-shot классификации.

Moondream-Caption — компактная мультимодальная модель семейства Moondream, разработанная wraps на основе vikhyatk/moondream2 и дообученная для создания описаний изображений. Она принимает изображение и генерирует текстовую подпись с описанием видимых объектов и сцены. Модель рассчитана на автоматическое составление подписей к изображениям, например для их каталогизации или добавления текстовых описаний. В качестве обучающих данных использован набор изображений, созданных с помощью flux1_dev, с проверенными описаниями. Модель работает через библиотеку Transformers; файлы весов представлены в формате safetensors. Результаты могут быть менее точными на изображениях, заметно отличающихся от обучающих данных, а также на сложных или абстрактных сценах. Лицензия — Apache-2.0.

onnx-community/moonshine-base-ONNX — ONNX-версия модели Moonshine base, разработанной UsefulSensors и подготовленной сообществом onnx-community для запуска через Transformers.js и ONNX Runtime. Модель предназначена для автоматического распознавания речи и преобразования аудиозаписей в текст, включая использование непосредственно в JavaScript-приложениях и локальный инференс через ONNX Runtime. Архитектура описана как encoder-decoder с отдельными ONNX-сессиями для энкодера и декодера; доступны квантованные файлы encoder_model_quantized.onnx и decoder_model_merged_quantized.onnx. В README не указаны точный размер модели, поддерживаемые языки, набор модальностей помимо аудио и максимальная длина контекста. Для ограничения генерации приведён ориентир до шести токенов на секунду аудио. Сильной стороной является совместимость с Transformers.js и ONNX Runtime, включая использование в браузерных или локальных сценариях; ограничения и показатели качества в README не описаны. Модель распространяется по лицензии MIT.

bhavikardeshna/multilingual-bert-base-cased-vietnamese — модель семейства BERT, представленная в формате PyTorch и предназначенная для ответов на вопросы. По метаданным, она содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов. Карточка README не содержит дополнительного описания назначения или обучения модели. Модель подходит для сценариев извлечения ответа из текста в формате вопроса и контекста. Метаданные не подтверждают конкретные языки, лицензию или происхождение чекпойнта, поэтому эти характеристики не уточняются.

muRIL-squad-nep-translated-squad — модель для ответов на вопросы на основе архитектуры BERT, разработанная как дообученная версия suban244/muRIL-squad. Она предназначена для извлечения ответа из предоставленного текста и может применяться в системах поиска ответов по документам. Модель содержит 264,8 млн параметров и принимает контекст длиной до 512 токенов. Карточка указывает, что для дообучения использован неизвестный набор данных; сведений о лицензии и оценке качества нет.

names-linking-model — модель эмбеддингов на базе MPNet, разработанная исследовательской группой Dell Research–Harvard и предназначенная прежде всего для связывания записей и сопоставления сущностей с помощью пакета LinkTransformer. Она дообучена на sentence-transformers/all-mpnet-base-v2 на данных об именах из связанных переписей населения США; при обучении использовались только имена и функция SupCon loss. Модель преобразует текст в плотные векторы размерности 768 и подходит для кластеризации, дедупликации, связывания и агрегирования записей, а также семантического поиска и задач сходства предложений. Архитектура — MPNet с усреднением токенных представлений и нормализацией; модель рассчитана на английский язык. Метаданные указывают контекст до 514 токенов, а конфигурация README задаёт максимальную длину последовательности 384 токена. Специализация на именах из переписей населения США может ограничивать качество сопоставления других типов записей и данных за пределами английского языка. Модель распространяется под лицензией, указанной в карточке Hugging Face.