I.14Автоматизация процессов и AI-агенты

G37A/Qwen3-Embedding-0.6B-80k-squad — дообученная модель семейства Qwen3 от G37A на базе Qwen/Qwen3-Embedding-0.6B. Она предназначена для создания текстовых эмбеддингов и семантического поиска в сценариях вопросов и ответов на украинском языке; при дообучении использованы наборы FIdo-AI/ua-squad и G37A/ua-retrieval-80k-silver. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 32 768 токенов. Лицензия — Apache-2.0. Карточка указывает специализацию на украинских QA и retrieval; сведений о сравнительных оценках качества нет.

Qwen3-Embedding-4B-AWQ-INT4 — квантизированная версия модели Qwen/Qwen3-Embedding-4B, производная работа от оригинальной модели Qwen. Артефакт предназначен для встраивания в системы эмбеддингов и может использоваться как компактная замена базовой модели в задачах семантического поиска, сопоставления текстов и других сценариях, где нужны текстовые векторные представления. В README явно указан английский язык. Модель использует 4-битное квантизирование весов методом AWQ (INT4, weight-only). Размер на диске составляет примерно 2,7 ГБ; заявлено, что она помещается на потребительский GPU с 6 ГБ видеопамяти, однако требуется дополнительный запас памяти для KV-кэша. В качестве максимальной длины контекста для запуска через vLLM указано 32 768 токенов. Данные о точной архитектуре, размерности эмбеддингов и результатах сравнительного тестирования не приведены. Основные преимущества — существенно уменьшенный размер и требования к памяти при сохранении назначения исходной embedding-модели, а также совместимость с embedding-стеками и запуском через vLLM. Ограничения включают поддержку только английского языка согласно README и потенциальное снижение точности из-за INT4-квантизации; количественная оценка этого снижения не указана. Модель распространяется по лицензии Apache License 2.0, с требованием соблюдать атрибуцию исходной модели Qwen/Qwen3-Embedding-4B.

Это пакет слоёв GGUF-модели Qwen3-Next-80B-A3B-Thinking-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет основан на unsloth/Qwen3-Next-80B-A3B-Thinking-GGUF и сохраняет её веса, разбитые на артефакты по слоям для запуска на кластере из нескольких локальных машин. Указанный вариант квантования — UD-Q4_K_XL. Модель предназначена для локального приватного чата и генерации текста, в том числе через совместимый с OpenAI интерфейс Mesh LLM. Распределение слоёв позволяет объединять память и вычисления нескольких машин, когда полной модели не помещается на одном узле. Пакет требует Mesh LLM; описание архитектуры, языков, контекста и лицензии отсылает к карточке исходной модели и не приводит эти сведения для данного пакета.

Модель gbull25/qwen3-vl-russian-handwriting — дообученная gbull25 мультимодальная модель семейства Qwen3-VL для работы с изображениями и текстом. Она основана на unsloth/qwen3-vl-4b-instruct-unsloth-bnb-4bit и предназначена для распознавания и интерпретации рукописного текста на изображениях с ответом в текстовом формате. Архитектура — Qwen3VLForConditionalGeneration; модель использует формат safetensors и поддерживает диалоговый интерфейс и обработку изображений. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества, поэтому точность распознавания рукописей нельзя определить по доступным сведениям.

Модель valixonov04/qwen-7b-kiberagent-full разработана valixonov04 и представляет собой дообученную версию valixonov04/qwen-7b-kiberbase на архитектуре Qwen2 с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель для генерации текста и диалогового общения; при обучении использовались Unsloth и Hugging Face TRL. Модель подходит для генерации ответов и ведения текстового диалога. Поддерживает контекст до 131 072 токенов; в карточке указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

rsl-ai/qwen_finetune_16bit — текстовая Sentence Transformer-модель, дообученная с помощью Unsloth на техническом датасете electroglyph/technical. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для поиска по смыслу и извлечения релевантных документов. Сходство векторов можно оценивать косинусной мерой. Модель основана на unsloth/Qwen3-Embedding-0.6B; в карточке указана архитектура Qwen3 и около 507,6 млн параметров. README сообщает максимальную длину последовательности 512 токенов, тогда как метаданные указывают контекст 32 768 токенов. Для описанного сценария обучения использовались пары технических текстов на английском языке и MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Модель ориентирована на английские технические тексты, поэтому её качество для других языков и областей не подтверждено. Предел последовательности в README расходится с контекстом из метаданных; перед применением следует учитывать фактические ограничения используемой конфигурации.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

roberta-finetuned-last-company — дообученная модель RoBERTa от автора tanishq1508 на базе deepset/roberta-base-squad2. Она предназначена для ответов на вопросы по предоставленному тексту и может определять, когда в контексте нет ответа. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и веса PyTorch; максимальная длина контекста — 514 токенов. Базовая модель ориентирована на английский язык. Данные для дообучения, подробные результаты оценки и ограничения в карточке не описаны. Лицензия — CC BY 4.0.

RoBERTa large — предварительно обученная языковая модель на английском языке, разработанная командой Facebook AI. Это трансформерная модель архитектуры RoBERTa с 454,1 млн параметров, обученная предсказывать замаскированные токены в контексте текста. Она чувствительна к регистру и рассчитана на последовательности длиной до 514 токенов по метаданным. Модель можно использовать для заполнения пропусков в тексте, а также дообучать для классификации последовательностей и токенов, ответов на вопросы и извлечения признаков для других задач обработки английского текста. Она принимает текст и возвращает предсказания токенов. Веса доступны в форматах PyTorch, TensorFlow, Flax, ONNX и Safetensors. Обучение проводилось на корпусах BookCorpus, Wikipedia, CC-News, OpenWebText и Stories. Модель распространяется по лицензии MIT. Данные обучения содержат неотфильтрованный интернет-контент, поэтому предсказания могут отражать его смещения; для прикладных задач модель обычно требуется дообучить.

simplescaling/s1.1-7B — плотная языковая модель семейства Qwen2, дообученная SimpleScaling на наборе s1K-1.1 на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалоговой генерации текста и ответов на инструкции; карточка также отмечает интерфейс для вызова инструментов. Модель содержит 7,1 млрд параметров, работает через Transformers и имеет контекст до 32 768 токенов. Модель не оценивалась авторами, поэтому её качество и надёжность не подтверждены; авторы рекомендуют вместо неё вариант s1.1-32B. В метаданных нет сведений о лицензии, поэтому условия использования определить нельзя.

arcee-ai/Saul-Nous-Hermes-2-Mistral-7B-DPO-Ties — языковая модель, созданная Arcee AI объединением моделей Equall/Saul-Base и NousResearch/Nous-Hermes-2-Mistral-7B-DPO с помощью mergekit и метода TIES. В конфигурации также указана Mistral-7B-v0.1 как базовая модель. Это плотная авторегрессионная модель Mistral на 7,1 млрд параметров для генерации текста; репозиторий содержит веса в формате safetensors, а конфигурация слияния использует float16. Модель предназначена для генерации текста и диалоговых сценариев. Контекст составляет до 32 768 токенов. Метаданные указывают лицензию Apache-2.0. README и метаданные не описывают результаты оценки качества или специальные ограничения применения, поэтому характеристики ответов в конкретных задачах следует проверять отдельно.

Smaura_8B — объединённая языковая модель на базе Llama 3, созданная методом Model Stock с помощью mergekit. В объединение вошли abacusai/Llama-3-Smaug-8B, Aura_Llama3, BlueMoon_Llama3, Luna_Llama3 и Theory_of_Mind_Llama3; основой указан abacusai/Llama-3-Smaug-8B. Модель предназначена для генерации текста и многоходового общения. Она имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий использует Transformers и хранит веса в формате safetensors. В README указано, что веса объединены в формате float16. Сведений о лицензии и языковом охвате в предоставленных источниках нет.

ctaguchi/ssc-led-mms-model — дообученная модель распознавания речи на базе facebook/mms-1b-all, разработанная автором репозитория ctaguchi. Она принимает аудио и преобразует речь в текст с помощью архитектуры wav2vec2 и CTC. Базовая модель поддерживает более тысячи языков, однако для этой версии язык и обучающий датасет не указаны. В README приведены результаты на оценочном наборе: CER 0,1094, WER 0,3057 и loss 0,4620. Эти показатели относятся к указанному набору и не позволяют оценить качество на других данных. Модель опубликована в формате safetensors и рассчитана на использование с Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

Jan-HQ Stealth v2 — языковая модель семейства Mixtral, опубликованная Jan-HQ. Она предназначена для генерации текста и диалогового использования через шаблон ChatML; модель можно запускать в Jan Desktop на macOS, Windows и Linux. В карточке приведены результаты оценивания на бенчмарках AI2 Reasoning Challenge и HellaSwag. Модель содержит 7,1 млрд параметров, использует архитектуру Mixtral MoE и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык, формат весов Safetensors и лицензия Apache-2.0. README не раскрывает подробности обучения и не описывает конкретную специализацию модели.

Kaballas/T35Model — дообученная Kaballas модель на архитектуре Qwen2 с 7,1 млрд параметров, созданная на основе Kaballas/T21Model. Модель предназначена для генерации текста; в метаданных указан контекст до 131 072 токенов. Разработчик сообщает, что модель обучалась с использованием Unsloth и библиотеки TRL. В метаданных указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_NeuralsirkrishnaExperiment28 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/NeuralsirkrishnaExperiment28-7B. Она предназначена для генерации текста и диалоговых сценариев, где модель продолжает текстовый запрос и формирует текстовый ответ. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. В метаданных указана лицензия Apache-2.0. Сведения о целевых языках, специализированных областях и отдельных ограничениях качества в карточке не приведены.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

dinesh480/telugu-whisper-finetuned — модель распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе телугуязычных аудиозаписей. Она использует архитектуру Wav2Vec2ForCTC и преобразует речь в текст на телугу в Unicode. Модель подходит для транскрибации, голосовых помощников, создания субтитров, образовательных приложений и анализа речи. Модель принимает монофонический звук WAV с частотой дискретизации 16 кГц; размер составляет 113,3 млн параметров. Репозиторий использует Transformers и хранит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество может снижаться при сильном фоновом шуме, нескольких говорящих, низком качестве записи и региональных акцентах, отсутствовавших в обучающих данных. README не приводит количественных результатов оценки.

Tess-10.7B-v1.5b — универсальная языковая модель из серии Tess, разработанной migtissera. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 10,6 млрд параметров, обученная на базе SOLAR-10.7B. Она предназначена для генерации текста и диалогов; в карточке приведён формат с ролями SYSTEM, USER и ASSISTANT. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит сведений о специализированной области применения или языках обучения, поэтому её следует рассматривать как модель общего назначения без заявленного основного языка.

Это англоязычный ретривер на базе BERT, дообученный Utah NLP с помощью Tevatron-Elastic для поиска релевантных документов по запросу. Модель формирует векторные представления запросов и текстовых фрагментов; в запросах и документах используются префиксы `query:` и `passage:`. Чекпойнт поддерживает эластичную ширину эмбеддинга по принципу Matryoshka Representation Learning (MRL): из одной модели можно получать представления разных размерностей, выбирая рабочую точку через Tevatron-Elastic. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors. В тесте BEIR-15 для полной размерности указано значение nDCG@10 0,445. Это ресурс для воспроизводимости экспериментов и построения систем поиска; авторы не заявляют о превосходстве над современными моделями. Лицензия — Apache-2.0.

TinyBERT_General_6L_768D — компактная предварительно обученная языковая модель на основе BERT, разработанная лабораторией HUAWEI Noah’s Ark Lab. Это общая версия TinyBERT, полученная дистилляцией BERT-base; она предназначена как начальная модель для задач понимания естественного языка и может дообучаться под конкретные задачи. Модель содержит около 80,1 млн параметров, имеет 6 слоёв Transformer, скрытый размер 768 и принимает последовательности длиной до 512 токенов. Модель работает с текстом и рассчитана на английский язык. Разработчики сообщают, что TinyBERT в целом существенно меньше и быстрее при инференсе, чем BERT-base, сохраняя конкурентное качество на задачах понимания языка. Сам репозиторий содержит базовую модель без отдельной классификационной или иной task-specific головы, поэтому для прикладного использования её обычно дообучают. Карточка Hugging Face не содержит сведений о лицензии.

TinyJev 4B v2 — модель Анкита с открытыми весами, дообученная на базе Qwen3.5-4B для принятия решений по тексту. Она предназначена для интерфейса decision API в Ollama 0.35.1 и новее: модель получает текст документа и вопрос с заданными вариантами ответа, затем оценивает каждый вариант и возвращает вероятности без поясняющего текста. Окно контекста — 16 тысяч токенов, поэтому в один запрос могут помещаться длинные документы, например договоры и цепочки писем. Архитектура — плотная Qwen3.5 на 4 млрд параметров; доступны веса Safetensors и GGUF в вариантах Q4_K_M и Q8_0. Модель подходит для классификации по заданным вариантам, проверки положений договора и других задач, где требуется выбрать один из допустимых ответов. В опубликованных тестах она показывает результаты, сопоставимые с Tev1 на коротких запросах и лучшие результаты на длинных договорах, однако эти оценки относятся к наборам тестов, описанным автором. Измеренная слабость — многошаговые рассуждения о датах и числах. Для использования в Ollama требуется версия 0.35.1 или новее. Лицензия модели — Apache-2.0; в карточке также указаны источники обучающих данных и их лицензии.

TypeCastLM-Qwen3.5-3.8B — разработанная Mihail Gribov модель классификации с открытыми весами, предназначенная для принятия решений по заданному материалу и вопросу. Это дообученная плотная текстовая модель Qwen3.5 с классификационной головой; в метаданных указано 3,1 млрд параметров, контекст — 262 144 токена. Модель работает в четырёх режимах: бинарный ответ «да/нет», распределение «да/нет/не уверен», выбор одного из вариантов и оценка по порядковой шкале. Каждый режим требует одного прохода модели и возвращает вероятности вместо текста. Модель рассчитана на классификацию утверждений по материалу, проверку фактов, ответы на вопросы с вариантами и оценивание по рубрикам; отдельный выход «не уверен» можно использовать для отказа от решения или передачи задачи человеку. README приводит результаты на BoolQ, RTE и FEVER, а также ограничения точности при большом числе вариантов или уровней шкалы. Для бинарного режима температура настроена на более решительные ответы, поэтому его вероятности могут быть недостаточно калиброваны. Указана лицензия Apache-2.0.

ukr-models/uk-punctcase — модель на базе XLM-RoBERTa-Uk, дообученная на украинских текстах для восстановления пунктуации и регистра букв. Она выполняет разметку токенов, чтобы восстанавливать знаки препинания и правильное написание заглавных и строчных букв в тексте. Модель содержит 137,3 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. Форматы весов — PyTorch и safetensors. Лицензия MIT.

OK923/ultimate_wav2vec2_aug — модель распознавания речи на основе архитектуры Wav2Vec2, опубликованная OK923. Это версия с дообучением на наборе данных, который в карточке не описан. Модель содержит 402,8 млн параметров и предназначена для преобразования аудиоречи в текст; для работы используется библиотека Transformers. В карточке приведены результаты оценки: loss 0,2547 и WER 0,3097. Эти значения относятся к неописанному набору оценки, поэтому их нельзя напрямую переносить на другие данные и сценарии. Модель распространяется под лицензией Apache-2.0.

UME-R1-2B — модель семейства Qwen2-VL, представленная в виде плотной архитектуры с 1,5 млрд параметров. По карточке, модель прошла этап обучения с учителем для холодного старта и этап обучения с подкреплением. Она формирует эмбеддинги текста, изображений, нескольких изображений и видео; доступны дискриминативные и генеративные представления. Для генеративных эмбеддингов описан потенциал масштабирования за счёт повторных выборок во время вывода. Контекст составляет 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления представлений; карточка сообщает о преимуществах в оценках относительно дискриминативных эмбеддингов, но не приводит датасеты и численные результаты. Использование предполагает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

UMT5-small — многоязычная encoder-decoder модель Google на архитектуре UMT5ForConditionalGeneration с 160,6 млн параметров. Она предварительно обучена на обновлённом корпусе mC4 из веб-текстов на 107 языках с применением схемы UniMax для более равномерного языкового покрытия. Модель предназначена для дальнейшего дообучения под задачи преобразования текста, например перевода, суммаризации и генерации по текстовому запросу. Сам по себе чекпойнт проходил только предварительное обучение без supervised-этапа, поэтому для прикладной задачи его нужно дообучить. Доступны веса PyTorch; лицензия — Apache-2.0.

Venice Uncensored — разговорная модель, созданная Venice.ai совместно с Эриком Хартфордом и командой Dolphin AI. Это объединённая версия на базе Dolphin-Mistral-24B-Venice-Edition и Mistral-Small-24B-Instruct-2501, построенная на плотной архитектуре Mistral; модель содержит 23,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов по инструкциям. В README подчёркнуты настраиваемое системное сообщение и отсутствие встроенных отказов по моральным основаниям, поэтому её поведение и ограничения во многом задаются пользователем. Карточка описывает текстовый чат и рекомендует запуск через vLLM или Transformers. Модель распространяется по лицензии Apache-2.0. Отсутствие жёстких встроенных ограничений означает, что ответы могут содержать небезопасный или неприемлемый контент; качество зависит от запроса, системного промпта и настроек генерации.

NomaDamas подготовил конверсию v-splade-efficient для MLX и Apple Silicon. Это разреженный мультимодальный ретривер для поиска страниц визуальных документов: изображения страниц PDF, слайдов и сканов кодируются ModernVBERT, объединяющим визуальную башню SigLIP, pixel-shuffle connector и текстовый энкодер ModernBERT, а SPLADE MLM head формирует разреженный вектор в пространстве словаря размерностью 50 368. Запросы обрабатываются по предварительно вычисленной таблице Bag-of-Words без нейронного кодирования. Репозиторий содержит веса энкодера документов в bfloat16 и таблицу запросов fp32. Это конверсия исходных весов PyTorch в MLX; обучение и дообучение не проводились. В README описано совпадение результатов отдельной fp32-конверсии с PyTorch, но эти численные показатели не относятся к размещённым здесь весам bfloat16. Модель распространяется по лицензии Apache-2.0.