I.14Автоматизация процессов и AI-агенты

Qwen3-4B-Instruct-2507-Abliterated — модифицированная версия причинной языковой модели Qwen3-4B-Instruct-2507, разработанной командой Qwen. Вариант создан с помощью Heretic v1.4.0 методом directional ablation, или abliteration, который направлен на снижение склонности модели отказывать в ответах при сохранении поведения исходной модели. Это не новая модель, обученная с нуля, а экспериментальный производный вариант с изменёнными весами. Модель предназначена для генерации текста и локального использования в сценариях, где требуется меньше отказов на запросы. Доступен формат GGUF с квантизацией Q4_K_M и конфигурация для запуска через Ollama; заявлена совместимость с инструментами локального инференса, включая Open WebUI. Базовая модель содержит около 4 миллиардов параметров, поддерживает контекст до 262 144 токенов и описывается Qwen как non-thinking-модель. В метаданных указан английский язык, однако дополнительные языковые возможности в этой карточке не раскрыты. Сильная сторона варианта — существенно сниженная частота отказов: во внутреннем тесте из 100 запросов модель отказала в 16 случаях против 100 отказов у исходной Qwen3-4B-Instruct-2507. При этом поведение зависит от формулировки запроса, параметров генерации, квантизации, инференс-фреймворка, системного промпта, шаблона чата, контекста и определений инструментов; снижение отказов не гарантирует полного отсутствия отказов и может сопровождаться изменениями исходных свойств модели. Лицензия — Apache-2.0.

Qwen3.5-0.8B Pure Text ZH-EN — производная текстовая модель, созданная автором репозитория на основе Qwen/Qwen3.5-0.8B. Из неё удалены компоненты для обработки изображений, аудио и видео, а также веса MTP; архитектура преобразована в Qwen3_5ForCausalLM. Словарь сокращён с 248 320 до 182 684 токенов, сохранённые веса не дообучались. Модель содержит около 685 млн параметров и распространяется в формате BF16 safetensors; заявленный контекст — до 262 144 токенов. Модель рассчитана на генерацию текста и диалоги преимущественно на китайском и английском языках. В README приведён пример классификации поисковых запросов китайской электронной торговли: точность составила 81%, а совпадение ответов с исходной моделью — 97 из 100 случаев. Для уже токенизированных наборов данных требуется перенумерация токенов с помощью old2new.json. Другие языки декодируются, но могут требовать больше токенов; перед производственным использованием автор рекомендует короткий этап дополнительного предобучения или SFT. Поддержка предусмотрена в Transformers с реализацией Qwen3_5ForCausalLM; лицензия — Apache-2.0.

RobinsonLabs выпустила полноточную версию Qwen3.5-REAP-212B-A17B после аблитерации — ослабления склонности к отказам с помощью ортогонализации весов. Это гибридная MoE-модель семейства Qwen3.5: 60 декодерных слоёв, 267 экспертов, около 211,8 млрд параметров и примерно 17 млрд активных параметров. Репозиторий содержит веса bf16 в формате safetensors; модель предназначена для диалоговой генерации текста и дальнейшей настройки или подготовки квантованных вариантов. Аблитерация уменьшает жёсткие отказы на взрослые и творческие запросы, при этом, по заявлению автора, защитные ограничения для запросов о самоповреждении сохранены. Карточка описывает текстовый путь модели; архитектура также предоставляет интерфейс вызова инструментов. Для запуска полноточных весов требуется около 424 ГБ места, поэтому для готового запуска автор указывает отдельный репозиторий квантованных GGUF-вариантов. Модель основана на OpenMOSE/Qwen3.5-REAP-212B-A17B, которая, в свою очередь, получена прореживанием Qwen3.5-397B-A17B. Лицензия — Apache-2.0.

Это производная версия Qwen 3.5 VL 397B, созданная Jinho Jang и опубликованная dealignai. Модель сочетает зрение и язык: принимает текст и изображения и формирует текстовые ответы. В основе — гибридная архитектура SSM/Attention с Mixture-of-Experts: 397 млрд параметров всего, около 17 млрд активны на токен, 512 экспертов, из которых задействуются 10. Заявлены встроенное зрение и интерфейс вызова инструментов. Веса квантизированы в смешанном формате JANG_2L для MLX на Apple Silicon: README указывает 187 ГБ и рекомендует Mac с 256 ГБ памяти. Формат поддерживается MLX Studio и пакетом jang-tools; метаданные указывают библиотеку MLX и файлы safetensors. CRACK изменяет веса, убирая отказы по безопасности; автор сообщает результат 98,4% на HarmBench. Модель подходит для диалогов и анализа изображений, но из-за удаления защитных отказов может выдавать опасные ответы. Лицензия — Apache-2.0.

Модель stamsam/Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-MLX-oQ4-MTP представляет собой 4-битную конверсию и квантизацию для локального вывода в MLX/oMLX. Она основана на Qwen3.6-35B-A3B и чекпойнте, дистиллированном из Claude Opus 4.7; новую тренировку или дообучение автор не проводил. Разработчик конверсии — stamsam, при этом в README указаны вклад авторов базовой модели, исходного дистиллированного чекпойнта и сообщества MLX/oMLX. Модель предназначена для генерации текста и задач рассуждения при локальном запуске, прежде всего на компьютерах Apple Silicon с использованием oMLX. Архитектура — MoE с общим размером около 35 млрд параметров и примерно 3 млрд активных параметров на токен. Используется формат MLX oQ4 с 4-битной квантизацией и размером группы 64. Сохранены и проверены тензоры MTP, включая один дополнительный скрытый слой; нативная поддержка MTP подтверждена только в oMLX. Языки, размер контекста и мультимодальность в карточке не указаны. Сильные стороны модели — низкие требования к памяти по сравнению с полноразмерной версией, адаптация для локального вывода на Apple Silicon и потенциальное ускорение за счёт MTP. На M5 Pro с 48 ГБ объединённой памяти в локальном тесте oMLX достигнута средняя скорость около 89,9 токена в секунду с MTP против 86,0 без него, однако эти результаты не являются универсальным бенчмарком. Ограничения включают экспериментальный статус конверсии, зависимость MTP от конкретной среды выполнения и возможность генерации длинных цепочек рассуждений. Лицензия — Apache-2.0; перед распространением или коммерческим использованием рекомендуется дополнительно проверить условия upstream-моделей и политики использования данных учителя.

OpenVINO/Qwen3.8-27B-int4-ov — экспериментальная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF. Для квантования использованы режим INT4_ASYM, размер группы 128 и коэффициент ratio 1.0. Это мультимодальная vision-language модель для понимания изображений и видео, управления глубиной рассуждений и решения сложных многошаговых задач. Она может применяться для анализа визуального содержимого, ответов на вопросы по изображениям и построения мультимодальных чат-приложений. В README не указаны поддерживаемые языки и размер контекстного окна. Ключевые преимущества модели — мультимодальность и уменьшенный объём весов благодаря INT4-квантованию, что может упростить развёртывание с OpenVINO. При этом модель ещё не полностью проверена и требует экспериментальных или nightly-версий OpenVINO, OpenVINO GenAI и Optimum Intel; совместимость также заявлена с Transformers 5.2. Модель распространяется по лицензии Apache-2.0.

litert-community/Qwen3-8B — это версия языковой модели Qwen3-8B, подготовленная сообществом LiteRT для запуска на устройствах с использованием LiteRT-LM. Исходную модель разработала команда Qwen. Модель предназначена для генерации текста и интеграции в локальные и периферийные приложения, где важны автономная работа и снижение требований к памяти. Доступны варианты с поканальным INT8-квантованием весов и float32 KV-кэшем, а также смешанный вариант TorchAO INT4 размером около 4,66 ГиБ. В смешанном варианте линейные проекции используют блочное INT4-квантование с размером группы 32, эмбеддинги — weight-only INT8, а нормализационные пути и KV-кэш остаются в формате с плавающей точкой. Для этого варианта заявлен контекст 2048 токенов. В метаданных указан английский язык и задача text-generation; другие языки и модальности не заявлены. Сильные стороны модели — оптимизация для локального запуска, уменьшенный размер благодаря квантованию и поддержка LiteRT-LM StableHLO-операций для выполнения внимания и работы с кэшем. В тесте на AMD Radeon AI PRO R9700 через WebGPU показаны 860,57 токена/с на этапе prefilling, 67,23 токена/с при декодировании и время до первого токена 0,31 с, однако результаты зависят от оборудования и настроек. Бенчмарк для телефонов не приводится, а заявленные характеристики относятся к конкретным артефактам и среде выполнения. Модель распространяется на условиях лицензии Apache-2.0.

logic65/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF — это квантизированная GGUF-версия модели Whittle MoE 27B (A18B), разработанной logic65 на основе Qwen3.8-27B. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, где важны рассуждения, структурированные ответы и корректное завершение генерации. Доступны варианты с разным уровнем квантизации от Q8_0 до Q3_K_M; размер файлов составляет примерно от 13,9 до 28,7 ГБ в зависимости от версии. Архитектура использует mixture-of-experts: на каждом токене активируется 16 из 64 экспертных блоков, а маршрутизатор сохраняется в формате F16. Точные поддерживаемые языки и размер контекста в README не указаны. К сильным сторонам относятся улучшенное завершение ответов и цепочек рассуждений, снижение риска зацикливания и обрыва генерации, а также наличие динамических квантизаций DQ, которые сохраняют повышенную точность для маршрутизатора, общих экспертов, механизма внимания, эмбеддингов и выходной головы. Версия v2.2.1 исправляет большинство случаев завершения внутри блока рассуждений, однако модель по-прежнему слаба в длинных списках и точном подсчёте заданного количества элементов; повторение 4-грамм остаётся выше целевого уровня. Для использования визуальных входов предусмотрен отдельный опциональный проектор mmproj-qwen38.gguf, но полноценные возможности и поддерживаемые модальности в README описаны неполно. Модель распространяется по лицензии Apache-2.0. Для запуска требуются совместимые инструменты GGUF, например llama.cpp, и объём оперативной или видеопамяти, зависящий от выбранного варианта квантизации; рекомендуемые требования для отдельных файлов приведены в карточке модели.

Qwen3-HereticLM-4B — плотная языковая модель семейства Qwen3, созданная Yamatazen с помощью слияния SLERP двух предварительно обученных моделей: yamatazen/Qwen3-4B-HereticCPT и heretic-org/Qwen3-4B-Instruct-2507-heretic. Модель содержит 3,7 млрд параметров, работает через Transformers и распространяется в формате safetensors; для слияния использованы веса bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. В карточке базовой модели отмечены abliteration для снижения частоты отказов и поддержка длинного контекста; заявленная длина контекста составляет 262 144 токена. Основной язык и отдельные специализированные области применения в предоставленных данных не определены. Модель выпущена под лицензией Apache-2.0. Данные не содержат независимых оценок качества или подробностей о поведении конкретно этого слитого чекпойнта, поэтому результаты могут зависеть от запроса и способа использования.

ggml-org/Qwen3-Reranker-0.6B-Q8_0-GGUF — это модель для ранжирования текста, преобразованная в формат GGUF из базовой модели Qwen/Qwen3-Reranker-0.6B. Конвертация выполнена с использованием llama.cpp через сервис GGUF-my-repo от ggml.ai; исходная модель разработана командой Qwen. Модель предназначена для оценки релевантности текстовых пар или результатов поиска и может применяться в системах информационного поиска, семантического поиска и других сценариях, где требуется переупорядочить документы по соответствию запросу. Модель имеет размер 0,6 млрд параметров и поставляется в квантизированном варианте Q8_0 в формате GGUF, что ориентировано на использование с совместимыми инструментами экосистемы llama.cpp. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста, модальности, конкретные показатели качества или ограничения применения, поэтому оценить эти характеристики невозможно. Лицензия — Apache-2.0.

Heretic-org/Qwen-3-VL-2B-Instruct-heretic — мультимодальная чат-модель с архитектурой Qwen3-VL, созданная как декензурированная версия Qwen/Qwen3-VL-2B-Instruct методом abliteration. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет возможности работы с видео, OCR, пространственным рассуждением и визуальными интерфейсами. Модель рассчитана на диалог по изображениям, распознавание текста и объектов, понимание видеосцен и выполнение задач по визуальным интерфейсам. В README приведено сравнение отказов: 4 из 100 у этой версии против 97 из 100 у исходной модели; также указано значение KL-дивергенции 0,0627. Репозиторий содержит веса safetensors для Transformers и распространяется по лицензии Apache-2.0.

ClaudioItaly/QwenTies-7B — слитая методом TIES языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она объединяет Qwen/Qwen2.5-7B-Instruct и Qwen/Qwen2.5-7B; в README указана база Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых сценариев и генерации текстовых ответов; метаданные также указывают интерфейс вызова инструментов. Базовая Qwen2.5-7B-Instruct описана как модель для генерации текста, кода и структурированных ответов, но отдельные преимущества этого слияния не приведены. Лицензия в предоставленных данных не указана.

abdurrehman456/qwythos-9b-openthoughts — текстовая генеративная модель, опубликованная на Hugging Face. В метаданных она обозначена как модель для text-generation и conversational-сценариев, работающая с библиотекой Transformers. Разработчик, базовая модель и лицензия в доступных материалах не указаны. Модель содержит 7,2 млрд параметров и поддерживает контекст до 1 048 576 токенов. Её можно применять для генерации ответов в диалоге, продолжения и преобразования текста, подготовки черновиков и интеграции в приложения на базе Transformers. Модельная карточка не содержит сведений об обучающих данных, результатах оценки, специальных языках, ограничениях применения или рекомендациях по развёртыванию. Поэтому качество, фактическую точность, устойчивость к вредным запросам и пригодность для критически важных задач необходимо проверять самостоятельно.

Ramakrishna-7b-v3 — объединённая модель для генерации текста, созданная Kukedlc с помощью LazyMergekit на основе шести моделей семейства Mistral. Она предназначена для генерации текста и диалогов. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов; веса опубликованы в формате safetensors. Репозиторий не уточняет отдельные специализации, поддерживаемые языки или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

ReAligned-Qwen3.5-27B — диалоговая модель семейства Qwen3.5, созданная Эриком Хартфордом из LazarusAI на базе Qwen/Qwen3.5-27B. Модель дообучена в два этапа: supervised fine-tuning и GRPO с оценкой ReAligned-Classifier; обучение использует LoRA. Цель — уменьшить отказы и государственно-ориентированную подачу ответов на политические и исторические темы, связанные с Китаем, сохранив общие возможности базовой модели. Модель предназначена для чата, суммаризации, программирования, рассуждений, многоязычного использования, а также исследования идеологической предвзятости, отказов и рамки повествования. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; метаданные указывают мультимодальную основу с поддержкой текста и изображений. Карточка не сообщает размер параметров и длину контекста именно этого чекпойнта. Лицензия — Apache-2.0. Снижение цензурных отказов не гарантирует точность фактов; возможны чрезмерная коррекция в сторону западной институциональной рамки, пробелы в знаниях и различия поведения между языками и формулировками. Авторы рекомендуют независимую оценку и собственные меры модерации при развёртывании.

Refact 1.6B FIM GGUF — модель для программирования, разработанная Small Magellanic Cloud AI Ltd. Она предназначена для дополнения и рефакторинга кода, а также общения с разработчиком в формате чата. Модель может генерировать код и понимать запросы на естественном языке, связанные с программированием. Архитектура описана как LLAMA-подобная с multi-query attention; размер исходной модели — 1,6 млрд параметров. В репозитории опубликован файл GGUF в формате BF16. В карточке приведены результаты HumanEval: 32% pass@1 и 53% pass@10. Основной язык — английский; для других языков качество может быть ниже. Лицензия — BigScience OpenRAIL-M.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

RWKV/RWKV7-G1j-7.2B-20260831 — официальная базовая языковая модель RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная авторегрессионная модель класса Rwkv7ForCausalLM с 7,8 млрд параметров, представленная в Safetensors. Архитектура не использует attention: она поддерживает рекуррентное состояние постоянного размера, а вычислительная стоимость генерации каждого токена постоянна; обучение при этом можно распараллеливать. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждательных данных. Она предназначена для генерации продолжений текста, оценки, последующего обучения и дообучения. Шаблон диалога позволяет формировать многоходовые и thinking-промпты, но сам по себе не означает, что модель является безопасным или выровненным ассистентом. В карточке перечислены английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки; размер контекста не приведён. Модель распространяется по лицензии Apache-2.0. Среди ограничений: качество следования инструкциям и языковое поведение зависят от промптинга и дополнительного обучения; откат рекуррентного кэша для speculative decoding не поддерживается без сохранения предыдущих состояний. Оптимизированный инференс зависит от GPU, типа данных и формы батча, а полное исполнение через TileLang требует отдельной проверки численного соответствия. Для модели не заявлена оценка безопасности, предвзятости, токсичности, фактической точности или пригодности для критически важных сценариев.

RWKV-7 Goose — базовая авторегрессионная языковая модель на 1,5 млрд параметров, официальный выпуск BlinkDL в формате Transformers. Она предназначена для генерации текста, оценки моделей и последующего дообучения. Архитектура RWKV-7 не использует attention: модель поддерживает рекуррентное состояние постоянного размера и постоянные вычислительные затраты на каждый новый токен; обучение при этом можно распараллеливать. В репозитории есть шаблон чата и поддержка вызова функций, но это интерфейс промпта, а не свидетельство безопасного или выровненного поведения ассистента. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждающих данных. В карточке заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Лицензия — Apache-2.0. Качество следования инструкциям и языковое поведение зависят от чекпойнта, промптинга и последующего обучения; оценка безопасности, предвзятости и фактической точности не заявлена. Спекулятивное декодирование с откатом рекуррентного кэша не поддерживается без сохранения предыдущих состояний; ускоренный TileLang-инференс требует проверки совместимости и точности для конкретной конфигурации.

SamChat — текстовая генеративная модель на архитектуре Mistral, созданная слиянием моделей Intel/neural-chat-7b-v3-3 и cognitivecomputations/samantha-mistral-7b. В README также указан macadeliccc/WestLake-7B-v2-laser-truthy-dpo как базовая модель конфигурации слияния. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. SamChat предназначена для генерации текста и диалогового взаимодействия. Карточка приводит результаты оценок на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag, но не описывает отдельную специализацию. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

jzju/sbert-sv-lim2 — модель Sentence Transformers на архитектуре BERT, обученная на базе KBLab/bert-base-swedish-cased-new с данными sbx/superlim-2. Она преобразует предложения и абзацы в плотные векторы размерности 256 для поиска по смыслу, кластеризации и сравнения текстов. Модель рассчитана на шведский язык; максимальная длина контекста — 512 токенов, размер — 162,4 млн параметров. Доступна в формате PyTorch и предназначена для получения текстовых эмбеддингов. Лицензия в предоставленных данных не указана. Практическое качество за пределами шведского языка и поведение на текстах длиннее контекста не описаны.

Secrets Sentinel xsmall-v1 — компактная модель классификации текста от hypn05, созданная дообучением microsoft/deberta-v3-xsmall для обнаружения секретов и учётных данных в строках кода и конфигурациях. Она присваивает строке метку «секрет» или «безопасно» и предназначена для проверок в pre-commit, pre-receive hooks и GitHub Actions, а также для сканирования репозиториев. Модель основана на архитектуре DeBERTa-v3-xsmall, имеет около 77,5 млн параметров по метаданным и контекст до 512 токенов. В README указаны 3 слоя вместо 12 у базовой модели, дообучение на размеченных примерах и примерно в 4,3 раза более высокая скорость относительно базовой версии; заявлена одинаковая точность на девяти тестовых сценариях, однако подробные значения F1 и числа ложных срабатываний для этой версии не приведены. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии MIT.

Severusectum-7B-DPO — языковая модель, созданная объединением моделей FelixChao с помощью mergekit и метода SLERP. В состав объединения вошли FelixChao/Sectumsempra-7B-DPO и FelixChao/WestSeverus-7B-DPO-v2. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для генерации текста на английском языке. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценок на бенчмарках AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии MIT. Карточка не описывает специализированные области применения или отдельные ограничения качества.

SFR-Iterative-DPO-LLaMA-3-8B-R — разговорная instruct-модель Salesforce на архитектуре LLaMA 3 с 7,5 млрд параметров. Она создана в рамках инициативы Salesforce по RLHF и обучена с использованием онлайн-рецепта на основе DPO; карточка также перечисляет выпуски SFT-, reward- и RLHF-моделей. Репозиторий содержит веса в формате safetensors, модель поддерживает чат и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговых ответов и следования инструкциям. В README заявлены результаты на Alpaca-Eval-V2, MT-Bench и Chat-Arena-Hard, а также академических тестах; это заявления авторов, а не независимая оценка. Карточка описывает её как исследовательскую разработку Salesforce, но не приводит перечень поддерживаемых языков. README предупреждает, что при враждебных запросах модель может выдавать оскорбительный или неэтичный контент. В README указана лицензия CC-BY-NC-ND-3.0, при этом автор текста утверждает, что корректной лицензией должна быть лицензия LLaMA 3; это расхождение следует учитывать при проверке условий использования.

Карточка модели Veritone/siglip2-base-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-512, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Она обучена на наборе данных WebLI и предназначена для сопоставления изображений и текста: модель поддерживает классификацию изображений по заданным текстовым меткам без дополнительного обучения и поиск изображений по текстовым запросам или текста по изображениям. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Модель принимает изображение и текстовые описания-кандидаты и оценивает их соответствие; визуальный энкодер формирует представления изображений для дальнейшего использования. В карточке указана архитектура SigLIP, библиотека Transformers и формат весов safetensors. Модель доступна по лицензии Apache-2.0. README не приводит сведений о размере параметров и длине контекста.

SPLADE-BERT-Mini-BS256-distil — разреженный текстовый энкодер, дообученный Yosefw на базе yosefw/SPLADE-BERT-Mini-BS256 с использованием Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и разреженного поиска документов; сходство оценивается скалярным произведением. Архитектура сочетает BERT с маскированным языковым моделированием и SPLADE pooling с max-пулингом и ReLU. Модель принимает последовательности длиной до 512 токенов и содержит около 12 млн параметров. Модель подходит для кодирования запросов и документов в поисковых системах и информационно-поисковых приложениях. В README приведены метрики dot_accuracy@1 0,5018, @3 0,8286 и @5 0,9194; также указано обучение на наборе из 1 млн примеров с запросами, релевантными и нерелевантными текстами. Языки обучения или целевые языки в доступных данных явно не названы. Репозиторий содержит веса safetensors и использует библиотеку sentence-transformers; сведения о лицензии отсутствуют.

SPLADE-v3-Lexical — разреженный текстовый энкодер семейства SPLADE, опубликованный Naver. Он преобразует предложения и абзацы в разреженные векторы размерностью 30 522 и предназначен для семантического поиска и извлечения документов. Модель асимметрична: на стороне запроса она не расширяет термины, а только присваивает им веса; сходство векторов оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер, max-pooling SPLADE и компонент IDF. Максимальная длина последовательности — 512 токенов, а для воспроизведения оценки указано 256 токенов. В карточке приведены результаты на MS MARCO dev (MRR@10 40,0) и BEIR-13 (средний nDCG@10 49,1). Модель ориентирована на англоязычный поиск; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением на коммерческое использование.

ssc-led-model — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, чтобы преобразовывать речь в текст. В README приведены результаты оценки: loss 1,4926, CER 0,3156 и WER 0,7297. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Язык распознавания, обучающий набор данных и предполагаемые сценарии использования в карточке не уточнены.

ctaguchi/ssc-sco-mms-model — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; принимает аудио и преобразует речь в текст. Базовая модель поддерживает более тысячи языков, но язык и набор данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,2065, WER 0,5486 и loss 0,7277. Эти значения относятся к оценочному набору, сведения о котором отсутствуют, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

RUC-AIBOX/STILL-2 — дообученная авторами репозитория модель семейства Qwen2.5 для генерации текста и диалогового взаимодействия. Она содержит 32 млрд параметров, построена на плотной архитектуре Qwen2ForCausalLM и рассчитана на контекст до 32 768 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель подходит для генерации ответов в чате и других текстовых сценариев. Базовая Qwen2.5-32B-Instruct описана как модель для диалога, программирования, математики и структурированных ответов, однако карточка STILL-2 не уточняет, какие из этих возможностей проверялись после дообучения. README автоматически создан и не содержит сведений о разработчике, данных обучения, оценках качества или лицензии.