I.14Автоматизация процессов и AI-агенты

pii-layout-synth-v14 — модель jefftherover, дообученная на базе answerdotai/ModernBERT-base для классификации токенов. Карточка сообщает о результатах оценки: F1 0,9925, точность 0,9910 и полнота 0,9941; обучающий набор данных не раскрыт. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Модель geetach/prompt-retrieval-midterm-finetuned — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер с усреднением токенов и нормализацией, который преобразует предложения и абзацы в 384-мерные векторы; для сравнения используется косинусное сходство. Модель рассчитана на семантический поиск и сравнение текстов, поиск перефразирований, кластеризацию и классификацию текстов. Она обучалась на 932 примерах, связанных с поиском творческих промптов; максимальная длина последовательности в README — 256 токенов, а метаданные указывают контекст до 512 токенов. Для прикладного использования доступны веса safetensors и библиотека Sentence Transformers. Языковая специализация в карточке не описана; базовая модель предназначена для английского языка, а примеры обучающих данных также англоязычные. Лицензия в предоставленных данных не указана.

Qwen2.5-Coder-0.5B-Instruct-MLX-4bit — это компактная инструкционная языковая модель для генерации текста и работы с программным кодом, разработанная Qwen. Данная версия представляет собой 4-битную MLX-квантизацию базовой модели Qwen2.5-Coder-0.5B-Instruct, подготовленную bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon. Модель ориентирована на задачи программирования и сценарии с code agents, включая генерацию и обработку кода, а также взаимодействие в чат-формате. Заявлена поддержка контекста до 32 000 токенов. В обучении использовалось до 5,5 триллиона токенов, включая исходный код, данные для сопоставления текста и кода и синтетические данные. В README указан английский язык; модальность модели — текстовая. К ключевым преимуществам относятся небольшой размер, сниженное потребление ресурсов благодаря 4-битной квантизации и совместимость с MLX на Apple Silicon, что делает модель подходящей для локального использования. Ограничения связаны с компактным размером 0,5B параметров: по сравнению с более крупными моделями она может уступать им в качестве рассуждений, генерации кода и точности выполнения сложных задач. Как и другие языковые модели, она может выдавать неточные, небезопасные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач.

Dasko2-0 разработал и опубликовал дообученную модель Dasko2-0/qwen2.5-coder-3b-mentor на основе unsloth/qwen2.5-coder-3b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указаны интерфейс вызова инструментов и контекст длиной до 32 768 токенов; модель обучали с использованием Unsloth и библиотеки TRL. Модель можно применять для генерации ответов в чате и задач, связанных с кодом, унаследованных от базовой Qwen2.5 Coder. Однако README не приводит результатов оценки и не уточняет, какие именно навыки наставничества или дополнительные задачи дало дообучение. Поддержка указана для английского языка. Лицензия — Apache-2.0.

Qwen3-4B-MegaR3ASONER-v1 — плотная языковая модель с 3,7 млрд параметров, созданная RexTRO111 слиянием LoRA-адаптера MegaR3ASONER с Qwen/Qwen3-4B-Thinking-2507. Это полная модель в формате Transformers и BF16, которую можно загружать без отдельного PEFT-адаптера; заявленная длина контекста — 262 144 токена. Модель предназначена для генерации текста с рассуждениями, в частности для решения математических задач, а также задач по программированию и естественным наукам. В ограниченной предварительной проверке на 100 примерах GSM8K автор сообщает 88% точного совпадения при гибком извлечении ответа и 83% при строгом; это не полный результат GSM8K и не сравнение с базовой моделью. Модель может ошибаться в промежуточных рассуждениях, чрезмерно подробно отвечать на простые запросы, а длинные цепочки рассуждений увеличивают задержку и стоимость использования. Ответы следует проверять, особенно в задачах с высокой ценой ошибки. Лицензия указана как other; при распространении или коммерческом использовании необходимо учитывать отдельные лицензии базовой модели и обучающих наборов данных.

mlx-community/Qwen3.5-0.8B-OptiQ-4bit — квантованная MLX-версия базовой модели Qwen/Qwen3.5-0.8B, разработанная сообществом mlx-community с использованием инструментария mlx-optiq. Модель предназначена для локальной генерации текста на устройствах Apple Silicon, включая задачи рассуждений, программирования, следования инструкциям, вызова инструментов и агентских сценариев. README не содержит сведений о поддерживаемых языках, размере контекста и исходной мультимодальности базовой модели. Это преимущественно 4-битная смешанно-точная квантовка: 56 чувствительных слоёв имеют точность 8 бит, а 130 устойчивых — 4 бита; общий размер на диске составляет около 0,6 ГБ, размер группы — 64. В комплект входит MTP-голова для speculative decoding, заявленное ускорение декодирования — около 1,4 раза. По сравнению с равномерной 4-битной квантовкой модель показывает более высокие результаты на MMLU, GSM8K, IFEval, BFCL и HumanEval, однако уступает ей в тесте длинноконтекстного извлечения HashHop. Результаты зависят от настроек и аппаратного обеспечения, а небольшие размеры модели ограничивают её общие возможности. Для использования требуется MLX и, согласно README, пакет mlx-lm; дополнительные функции, включая серверную подачу, LoRA и MTP-декодирование, доступны через mlx-optiq. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия базовой модели.

Kaoeiri/Qwenwify-32B-v2.68 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В качестве базовой модели README указывает unsloth/qwen2.5-32b-instruct; в объединение также вошли варианты Qwen2.5 для диалога, ролевых сценариев, генерации текста и художественной прозы. Модель содержит 32 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для диалога и генерации текста, в том числе для ролевого общения и создания художественных текстов. Метаданные указывают на поддержку чата и интерфейс вызова инструментов. В карточке не приведены сведения о лицензии и конкретных языках; среди исходных моделей есть вариант для китайского языка, но это само по себе не подтверждает полный перечень поддерживаемых языков.

Reasoning-Llama-3.1-CoT-RE1 — языковая модель EpistemeAI для генерации текста и диалоговых ответов с рассуждениями. Это плотная авторегрессионная модель семейства Llama на 7,5 млрд параметров, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. В метаданных указан набор Bespoke-Stratos-17k. Модель предназначена для генерации ответов на текстовые запросы и ведения диалога. В карточке указаны английский язык и контекстное окно до 131 072 токенов; доступен формат safetensors. Указанная в метаданных лицензия — Llama 3.1, тогда как README сообщает Apache-2.0; перед использованием следует проверить условия лицензии исходной модели и репозитория.

Модель cross-encoder-testing/reranker-bert-tiny-gooaq-bce-tanh-v3 — это англоязычный Cross Encoder, разработанный на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель дообучена на данных GooAQ и предназначена для оценки пар текстов: она получает два фрагмента на вход и вычисляет один числовой балл их смыслового соответствия. Основные сценарии применения включают семантический поиск и переранжирование результатов, оценку текстового сходства, поиск перефразировок, классификацию текстов и другие задачи, где требуется сравнивать два текстовых фрагмента. Максимальная длина последовательности составляет 512 токенов, модель поддерживает один выходной лейбл и рассчитана на работу с английским языком. В метаданных указаны метрики MAP, MRR@10 и NDCG@10; размер базовой модели обозначен как BERT-tiny, однако точное число параметров не приведено. К сильным сторонам относятся компактность базовой архитектуры и возможность напрямую ранжировать пары запрос–документ или другие пары текстов. Как Cross Encoder, модель совместно анализирует оба текста, что может обеспечивать более точную оценку соответствия, но обычно требует отдельного вычисления для каждой пары и потому менее удобна для первичного поиска по большим коллекциям. README не приводит численных результатов оценки, подробностей о составе обучающей выборки или ограничений по доменам. Лицензия — Apache-2.0.

RobBERT-2023-base-ft — дообученная модель на базе DTAI-KULeuven/robbert-2023-dutch-base, представленная в формате sentence-transformers. Она предназначена для получения представлений нидерландских запросов и документов и измерения сходства между предложениями; авторы сообщают о сильных результатах на MTEB-NL. Модель построена на архитектуре RoBERTa, содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, сопоставления запросов с фрагментами документов и задач ранжирования на нидерландском языке. В README приведён пример кодирования запросов и текстов из MS MARCO; в метаданных перечислены датасеты BEIR-NL для поиска, вопросов и ответов и проверки фактов. Лицензия — MIT. Модель работает с текстом и выдаёт эмбеддинги, которые можно использовать для вычисления сходства и поиска. Её специализация — нидерландский язык; приведённая оценка качества относится к MTEB-NL, а результаты на других языках и типах данных не описаны.

kanklc выпустил дообученную на базе intfloat/multilingual-e5-small модель Sentence Transformers для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Модель использует архитектуру BERT с усредняющим pooling и нормализацией векторов; размер эмбеддинга — 384 измерения, сходство оценивается косинусной функцией. Максимальная длина последовательности — 512 токенов, число параметров — 124,3 млн. Модель предназначена для семантического поиска и извлечения релевантных текстов, в частности для сопоставления запросов с документами. Дообучение проведено на 1 420 парах предложений с MultipleNegativesRankingLoss; примеры в карточке посвящены симптомам и медицинским формулировкам на турецком языке. Лицензия в предоставленных данных не указана.

SEC-1.6-MBX-7B-DPO — языковая модель Arcee AI, полученная слиянием через mergekit моделей arcee-ai/sec-mistral-7b-instruct-1.6-epoch и macadeliccc/MBX-7B-v3-DPO методом SLERP. Это плотная Mistral-модель с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате и запуска чат-сценариев. Контекст модели составляет до 32 768 токенов. Модель подходит для создания ответов на запросы, ведения диалогов и генерации текста. README описывает состав и конфигурацию слияния, но не приводит отдельной оценки качества, языкового охвата или специализированных областей применения. Распространяется под лицензией Apache-2.0.

linhphanff/semantic-base-vi — модель на архитектуре RoBERTa с 162,4 млн параметров, опубликованная пользователем linhphanff. Она предназначена для оценки сходства предложений и может применяться для поиска семантически близких фраз и сравнения текстовых запросов. Метаданные указывают поддержку вьетнамского и английского языков, библиотеку Transformers и контекст до 258 токенов. Карточка содержит лишь краткую инструкцию по установке Transformers, поэтому подробности обучения и использования не описаны. Лицензия указана как other, без уточнения условий.

sonoisa/sentence-bert-base-ja-mean-tokens-v2 — японская модель Sentence-BERT, разработанная sonoisa для получения векторных представлений предложений и сравнения их смысловой близости. Это плотная BERT-модель на 137,8 млн параметров с контекстом до 512 токенов; модель обучена с функцией потерь MultipleNegativesRankingLoss и, по сообщению автора, превзошла версию 1 на 1,5–2 процентных пункта на внутреннем закрытом наборе данных. Для работы с текстом на японском языке модель использует предварительно обученную cl-tohoku/bert-base-japanese-whole-word-masking. При запуске вывода требуются fugashi и ipadic. Подходит для поиска похожих предложений, семантического поиска и задач, где нужно сравнивать текстовые эмбеддинги. Модель распространяется по лицензии CC BY-SA 4.0. Указанное автором улучшение измерено только на внутреннем наборе данных, поэтому оно не гарантирует аналогичного результата на других корпусах; контекст ограничен 512 токенами.

sentence-transformers-ult5-pt-small — модель эмбеддингов предложений и абзацев, разработанная tgsc на основе tgsc/ult5-pt-small. Она преобразует текст в плотные векторы размерности 512 для поиска по смыслу, вычисления сходства, кластеризации и поиска перефразировок. Архитектура — энкодер T5; размер контекста — 1024 токена. Метаданные указывают 47,8 млн параметров, а README приводит оценку около 51 млн для sentence-transformer-версии. Модель предназначена для семантического поиска и анализа отношений между текстами. README описывает применение для кластеризации, оценки семантического сходства и поиска перефразировок; в репозитории указаны форматы PyTorch и Safetensors. Карточка и название базовой модели указывают на португальскую языковую специализацию. Качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

Модель yuhengtu-bytedance/sfm_filtered_midtrain_alignment-2k_3k_4k_5k_6k_simpleavg_merge — объединённая языковая модель, опубликованная пользователем yuhengtu-bytedance. Она получена методом Linear merge с помощью mergekit из пяти предобученных чекпойнтов на шагах 2000, 3000, 4000, 5000 и 6000; в README чекпойнт global_step6000 указан как базовый для слияния. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и имеет контекстное окно 16 384 токена. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для построения чат-интерфейсов и приложений, которым требуется генерировать ответы на текстовые запросы. Данные не описывают специальные предметные области или поддерживаемые естественные языки, поэтому их нельзя надёжно указать. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Veritone/siglip2-base-patch16-384-vision — копия зрительной башни SigLIP 2 Base от Google, подготовленная Veritone. Репозиторий содержит только vision tower базовой модели google/siglip2-base-patch16-384: она кодирует изображения и видеокадры в общее пространство эмбеддингов, а текстовая башня размещена отдельно в Veritone/siglip2-base-patch16-384-text. Модель построена на архитектуре SigLIP и предназначена для загрузки отдельно при индексации, что позволяет загружать только нужную часть модели. Энкодер подходит для классификации изображений по кандидатным текстовым меткам, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для мультимодальных моделей. SigLIP 2 улучшает семантическое понимание, локализацию и плотные визуальные признаки; предварительное обучение проводилось на наборе WebLI. Для работы с текстовыми запросами или совместной обработкой изображения и текста потребуется текстовая башня либо другая совместимая текстовая модель. Репозиторий распространяется по лицензии Apache-2.0.

smol_bruin-7b — языковая модель для генерации текста, созданная объединением методом SLERP моделей go-bruins-v2 и smol-7b с помощью MergeKit. В README указана базовая модель mistralai/Mistral-7B-v0.1; в репозитории размещены веса Safetensors общей архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на запросы в диалоговом формате. В README приведены результаты оценки на AI2 Reasoning Challenge и HellaSwag, но сведений о специализации на конкретной области или языках нет. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

Sonar Reasoning Pro — модель рассуждений Perplexity, работающая на базе DeepSeek R1 и использующая цепочку рассуждений. Она предназначена для ответов на сложные запросы с опорой на поиск Perplexity; стоимость Sonar Pro включает стоимость поиска Perplexity. Доступный фрагмент карточки обрывается до подробностей о возможностях и ограничениях модели.

Это англоязычный разреженный поисковый энкодер SPLADE, разработанный tomaarsen и дообученный на наборах вопрос–пассаж MIRIAD 4.4M от базовой модели Luyu/co-condenser-marco с использованием sentence-transformers. Модель на основе BERT преобразует предложения и абзацы в разреженные векторы размерностью 30 522; для сопоставления используется скалярное произведение. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе поиска пассажей по запросам. Максимальная длина входной последовательности — 512 токенов. Распространяется по лицензии Apache-2.0.

SPLADEv2max — разработанная Naver разреженная модель-энкодер для поиска по предложениям и абзацам. Она кодирует текст в разреженный вектор размерности 30 522 и предназначена для семантического поиска и извлечения passages; оценки релевантности вычисляются скалярным произведением векторов. Модель основана на distilbert/distilbert-base-uncased и использует masked language modeling с max-pooling и ReLU. Максимальная длина входа — 512 токенов; для воспроизведения оценки используется длина 256 токенов. Поддерживаемый язык — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

ctaguchi/ssc-bxk-model — модель автоматического распознавания речи, разработанная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке не уточняются поддерживаемые языки и формат входного аудио. На оценочном наборе указаны значения Loss 1,4388, CER 0,2469 и WER 0,8253. Датасет, сценарии применения и дополнительные ограничения в карточке не описаны. Модель распространяется под лицензией Apache-2.0.

ssc-top-mms-model-mix-adapt-max — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру wav2vec2 с CTC-декодированием и принимает аудио, преобразуя речь в текст. В карточке приведены результаты оценки: loss 0,7289, CER 0,1445 и WER 0,5792; набор данных и условия оценки не описаны. Базовая MMS поддерживает более тысячи языков, однако языки и сценарии, на которых проверялась эта дообученная версия, не уточнены. Модель содержит 1,3 млрд параметров, работает через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

sentence-transformers-testing/stsb-bert-tiny-openvino — модель семейства Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 128. В README разработчик явно не указан; модель опубликована под идентификатором sentence-transformers-testing. Она предназначена для оценки семантического сходства текстов, семантического поиска, кластеризации и других задач, где требуется сравнивать смысл текстовых фрагментов. Архитектура включает BERT с максимальной длиной последовательности 512 токенов и mean pooling по токенам с учётом attention mask. Указана поддержка текстовой модальности, однако языки модели не обозначены. Модель обучалась с CosineSimilarityLoss в течение 10 эпох; подробные данные о качестве в README не приведены. Сильной стороной является компактное 128-мерное представление, удобное для поиска и кластеризации, а ограничениями — отсутствие сведений о языках, обучающем наборе данных, фактических метриках качества и производительности OpenVINO. Лицензия в README не указана.

NVIDIA FastConformer-Hybrid Large (es) — модель автоматического распознавания испанской речи, разработанная NVIDIA и обученная с использованием инструментария NeMo. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает расшифровку в виде текста с заглавными и строчными буквами, пробелами, точками, запятыми и испанскими вопросительными знаками. Модель основана на архитектуре FastConformer с уменьшением временной размерности свёрточными слоями в 8 раз. Это крупная модель примерно на 115 млн параметров с гибридным обучением по функциям потерь Transducer и CTC; доступны оба режима декодирования. Она обучалась на составном наборе испанской речи, включающем Fisher, MCV12, MLS и VoxPopuli, и предназначена для транскрибации речи общего назначения. Качество может снижаться на технической лексике, непривычных разговорных вариантах и акцентированной речи. Модель выводит ограниченный набор знаков препинания: точку, запятую и испанские вопросительные знаки. Лицензия — CC BY 4.0.

VoVanPhuc/sup-SimCSE-VietNamese-phobert-base — модель эмбеддингов предложений для вьетнамского языка, разработанная Vo Van Phuc. Она основана на SimCSE и использует архитектуру RoBERTa PhoBERT; вариант sup обучен с учителем для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска похожих фраз, семантического поиска и сопоставления предложений на вьетнамском языке. Модель содержит около 162,4 млн параметров по метаданным и принимает последовательности длиной до 258 токенов. Для работы доступны веса PyTorch и Safetensors. README описывает её как модель с высокой эффективностью для эмбеддингов предложений, однако сравнительные результаты и детали обучающих данных в карточке не приведены. Лицензия в предоставленных данных не указана.

T3qm7xNeuralsirkrishna_Experiment27Inex12 — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment27Inex12-7B. Разработчик карточки — MaziyarPanahi. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или отдельных ограничениях качества.

MaziyarPanahi/T3qm7xNeuralsirkrishna_Inex12Experiment28 — объединённая модель для генерации текста и диалогов. В README указано, что она объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Inex12Experiment28-7B; архитектура — плотная Mistral с 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана лицензия Apache-2.0. Сведения о целевых языках и специализированных областях применения отсутствуют; ограничения качества в карточке не описаны.

T3qm7xNeuralsirkrishna_ShadowNeuralsirkrishna — объединённая текстовая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowNeuralsirkrishna-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалогов по текстовым запросам. Она распространяется в формате safetensors по лицензии Apache-2.0. В карточке не описаны специальные предметные области, языковая специализация или результаты оценки качества.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.