I.14Автоматизация процессов и AI-агенты

Модель ARTPARK-IISc/whisper-tiny-vaani-hindi — дообученная на датасетах индийской речи версия Whisper-tiny от OpenAI, разработанная ARTPARK-IISc. Она предназначена для автоматического распознавания речи на хинди и преобразования аудиозаписей в текст. В README указано, что при дообучении использовано около 718 часов транскрибированной речи из Vaani, Gramvaani, IndicVoices, Fleurs, IndicTTS и Common Voice. Модель имеет архитектуру WhisperForConditionalGeneration и около 29,4 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. В карточке приведены результаты оценки WER для Gramvaani, Fleurs и IndicTTS, но они различаются, поэтому качество может зависеть от набора данных и сценария записи. Лицензия — Apache-2.0.

Aaron-di/Yamshadowexperiment28M70.81-0.36-0.63-1.0-0.79-0.74-7B — объединённая текстовая модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров. Карточка показывает использование через Transformers и chat template для генерации текста и диалога; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации продолжений и ответов в диалоговом формате. В метаданных указаны две объединённые базовые модели: AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данные карточки не описывают отдельную специализацию по предметной области или конкретные оценки качества.

YamshadowInex12_Percival_01Shadow — слитая модель для генерации текста, созданная на основе automerger/YamshadowInex12-7B и automerger/Percival_01Shadow-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текста, а также генерации ответов на запросы. Данные не описывают специализацию по предметной области или конкретные языковые возможности, поэтому качество для отдельных языков и сценариев нельзя определить по карточке. Весы опубликованы в формате Safetensors под лицензией Apache 2.0.

YamshadowInex12_YamM7 — слитая модель для генерации текста, созданная на основе automerger/YamshadowInex12-7B и automerger/YamM7-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и принимает текст для авторегрессионной генерации продолжений и ответов. Контекст модели составляет до 32 768 токенов, поэтому её можно применять в диалогах и при работе с длинными текстовыми запросами. Модель опубликована в формате safetensors под лицензией Apache-2.0. В README не описаны специальные навыки или гарантии качества; качество ответов следует проверять на целевых задачах.

YamshadowStrangemerges_32_Neuralsirkrishnaexperiment26Experiment24 — объединённая языковая модель, опубликованная MaziyarPanahi на Hugging Face. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовые ответы. Модель построена на архитектуре Mistral с плотной причинно-языковой архитектурой MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, выдаёт текст и поддерживает контекст до 32 768 токенов. Веса доступны в формате safetensors. Модель получена слиянием automerger/YamshadowStrangemerges_32-7B и automerger/Neuralsirkrishnaexperiment26Experiment24-7B. Репозиторий указывает лицензию Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям, поэтому применение следует считать общим; подтверждённые качество и ограничения в README не приводятся.

YamshadowStrangemerges_32_NeuralsirkrishnaM7 — объединённая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaM7-7B. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов. Контекст составляет до 32 768 токенов. В карточке не описаны специальные предметные области или поддерживаемые языки. Модель опубликована под лицензией Apache-2.0.

Это диалоговая языковая модель семейства Mistral, дообученная ShenaoZ на обновлённом и исходном датасетах поверх ShenaoZ/0.0001_sft_nodpo_5iters_bs256_5102lr_iter_3. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации ответов в чате и других задач продолжения текста. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. README не приводит подробностей об обучении, оценках качества, языковой поддержке или специальных ограничениях применения.

Devengoyal/accesshire-mpnet-final — текстовая модель Sentence Transformer на основе MPNet, дообученная для сопоставления предложений и коротких описаний навыков. Она преобразует текст в нормализованные плотные векторы размерностью 768 и использует косинусное сходство для оценки семантической близости. Модель рассчитана на семантический поиск, сравнение текстов, поиск перефразирований, кластеризацию и классификацию; обучающий набор содержит 1 842 пары текстов с оценками сходства. Размер модели — 136,7 млн параметров. Максимальная длина последовательности в README указана как 384 токена, а метаданные каталога указывают контекст 514 токенов. Модель принимает текст и выдаёт векторы, пригодные для поиска и анализа сходства. Примеры обучающих данных связаны с описаниями действий и профессиональными навыками, поэтому модель может применяться для сопоставления формулировок опыта с названиями навыков. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

ishikaa/acquisition_student_RL_AS_confidence_omnimath_llama8b — языковая модель для генерации текста на базе архитектуры Llama, опубликованная пользователем ishikaa на Hugging Face. По метаданным, модель содержит около 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и работает через библиотеку Transformers. В тегах указаны conversational, TRL и GRPO, что указывает на возможность диалогового применения и обучение с использованием Group Relative Policy Optimization. Модель предназначена для генерации продолжений текста и диалоговых ответов, а также для встраивания в приложения, использующие совместимые с Transformers сценарии text-generation. Большое контекстное окно позволяет обрабатывать длинные запросы и документы. Сведения о разработчике, базовой модели, языках, обучающих данных, результатах оценки и лицензии в предоставленных источниках отсутствуют, поэтому применять модель в продуктивных или чувствительных сценариях следует с дополнительной проверкой качества и безопасности.

Модель maherghanem86/arabic_speech_to_text разработана и обучена инженером Махером Бассамом Ганемом для автоматического распознавания арабской речи. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и SafeTensors. Модель предназначена для преобразования аудиозаписей на арабском языке в текст; карточка сообщает о тестировании на Common Voice 8.0 и показателе WER 22,26%.

gradients-io-tournaments/augmented-8bc5002e812b62b4 — генеративная языковая модель, опубликованная на Hugging Face и предназначенная для создания текста. Модель доступна через библиотеку Transformers и использует формат Safetensors; в метаданных присутствуют теги Llama и conversational. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Её можно применять для диалоговых сценариев, генерации продолжений текста, подготовки черновиков и интеграции в приложения на базе Transformers. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки, рисках и конкретных ограничениях модели. Поэтому её качество, безопасность, языковое покрытие и пригодность для специализированных задач необходимо проверять самостоятельно.

Auro-Kosmos-EVAA-v2-8B — диалоговая языковая модель, созданная слиянием двух предварительно обученных моделей методом SLERP с помощью mergekit: jaspionjader/Kosmos-EVAA-v2-8B и DreadPoor/Aurora_faustus-8B-LINEAR. Она построена на плотной архитектуре Llama и содержит 7,5 млрд параметров; для работы с ней используется библиотека Transformers. Модель предназначена для диалогового взаимодействия и генерации ответов и свободного текста. Её контекст составляет 8192 токена, веса опубликованы в формате safetensors. Карточка не уточняет поддерживаемые языки, лицензию и специальные области применения, поэтому применимость в конкретных сценариях и условия использования следует сверить с карточками исходных моделей и репозитория.

Карточка модели fatymahaly/bert-base-uncased на Hugging Face совпадает с карточкой google-bert/bert-base-uncased, поэтому описание составлено по ней. BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

BigQwen2.5-52B-Instruct — плотная языковая модель на архитектуре Qwen2, созданная mlabonne с помощью MergeKit как self-merge на основе Qwen2.5-32B-Instruct. Она предназначена для диалоговой генерации текста; автор предполагает, что модель может подойти для творческого письма. Модель содержит 51,5 млрд параметров, принимает текст и поддерживает контекст длиной 32 768 токенов. В метаданных также заявлен интерфейс для вызова инструментов. В карточке приведены результаты нескольких оценок, но автор сообщает, что лично модель не тестировал, поэтому качество и пригодность для конкретных сценариев требуют самостоятельной проверки. Указана лицензия Apache-2.0.

BlueBerry-2 — дообученная модель для рассуждений на фарси и английском языке, разработанная artindnr на основе openai/gpt-oss-120b. Это причинная языковая модель с архитектурой gpt_oss и смесью экспертов; версия из репозитория — полноценно дообученный чекпойнт, а не LoRA-адаптер. Метаданные указывают 2,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для двуязычных диалогов, в том числе с переключением между фарси и английским в одном сообщении. Её специализация охватывает рассуждения над техническим текстом на фарси с английскими терминами, переводоподобные задачи и ответы на одном из двух языков или на их смеси. Поддерживаются чатовый формат Harmony и интерфейс вызова инструментов. Модель опубликована под лицензией Apache 2.0. Она не оптимизирована для других языков; возможны фактические ошибки и ошибки рассуждений, унаследованные от базовой модели. В README также отмечено отсутствие дополнительной настройки безопасности сверх базовой модели.

bruphin-epsilon — объединённая языковая модель на архитектуре Mistral, созданная nbeerbower методом SLERP с помощью mergekit. В объединении использованы BarryFutureman/WildMarcoroni-Variant1-7B и nbeerbower/bruphin-delta. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 7,1 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 32 768 токенов. Веса доступны в формате safetensors; модель распространяется по лицензии Apache-2.0. Карточка приводит результаты нескольких тестов Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag, но не описывает языковое покрытие и конкретные области специализации. Результаты тестов не гарантируют качество на прикладных задачах.

ceat-fc-rag-2 — англоязычная модель Sentence Transformers, созданная дообучением nlpaueb/legal-bert-base-uncased на 786 парах текстов. Архитектура состоит из BERT и среднего пулинга токенов; модель преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск в корпусах документов, оценку сходства предложений, поиск перефразировок, кластеризацию и извлечение признаков для классификации. Юридически ориентированная базовая модель и английский язык делают её подходящей для англоязычных юридических текстов, хотя карточка не подтверждает отдельную оценку качества на юридических задачах. В README приведены метрики информационного поиска на нескольких размерностях векторов; их значения умеренные и относятся к указанному набору оценки. Модель распространяется по лицензии Apache-2.0. Вход — текст, выход — векторные представления; лимит в 512 токенов ограничивает длину обрабатываемого текста за один проход.

Code-Daemon NER v1 — модель распознавания именованных сущностей в англо- и русскоязычной прозе о разработке ПО. Она выделяет компоненты систем, API и инструменты, пути к файлам, метрики и другие сущности, чтобы связывать документацию, обсуждения и сообщения коммитов с кодом. Это не парсер исходников: модель предназначена для поиска сущностей в текстовых описаниях. Модель основана на XLM-RoBERTa и дообучена для классификации токенов; метаданные указывают 124,3 млн параметров, а README описывает вариант с примерно 117 млн параметров. Контекст — до 128 токенов по настройке обучения; README рекомендует подавать одно-два предложения за вызов. Доступны веса Safetensors и форматы ONNX и Core ML. По оценке авторов на размеченных людьми данных, модель превосходит сравнивавшиеся zero-shot-модели для выбранных инженерных меток, но точность ограничена: авторы рекомендуют использовать её для генерации кандидатов с последующей фильтрацией, а не для автоматической разметки без проверки. Для оптимальных результатов требуется предварительно разбивать идентификаторы camelCase и snake_case. Лицензия — MIT.

Qdrant/colmodernvbert — это ONNX-конверсия мультимодальной модели ColModernVBERT, разработанной авторами Paul Teiletche, Quentin Macé, Max Conti, Antonio Loison, Gautier Viaud, Pierre Colombo и Manuel Faysse. Конверсию для эффективного запуска с FastEmbed выполнил Qdrant. Модель предназначена для визуального поиска по документам и задач извлечения релевантных страниц или изображений документов по текстовым запросам. В основе модели — архитектура ModernVBERT, объединяющая текстовый энкодер ModernBERT на базе jhu-clsp/ettin-encoder-150m и визуальный энкодер SigLIP на базе google/siglip2-base-patch16-512. Проекционный слой преобразует представления к размерности 128. Модель содержит около 250 млн параметров, поддерживает контекст до 8192 токенов и обрабатывает изображения размером 512×512 после изменения размера процессором. Она рассчитана на раздельное кодирование изображений документов и текстовых запросов и интегрируется с мультимодальными API FastEmbed. К сильным сторонам относятся компактный размер для класса визуальных моделей, поддержка эффективного CPU- и GPU-инференса через ONNX и конкурентоспособность на бенчмарках визуального поиска документов по сравнению с моделями, которые могут быть до десяти раз больше. Ограничения включают специализацию на поиске по визуальным документам, возможные небольшие отличия производительности ONNX-версии от PyTorch-реализации и отсутствие в карточке подробных сведений о поддерживаемых языках. Модель распространяется по лицензии MIT.

ColorShadow-7B-v2 — разговорная языковая модель на 7,1 млрд параметров, опубликованная nlpguy. Это слияние Gradient-SLERP двух моделей на базе Mistral 7B: diffnamehard/Mistral-CatMacaroni-slerp-7B и cookinai/Valkyrie-V1. Репозиторий содержит веса в формате safetensors; модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, в том числе для ответов на запросы и рассуждений. В README приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Указана лицензия Apache-2.0. README не описывает отдельные специализированные области применения или языки.

Это визуальный энкодер ConvNeXt-Base из семейства CLIP, опубликованный в библиотеке timm. Веса обучены на данных LAION при разрешении изображения 320 пикселей; модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения. Модель принимает изображения и выдаёт векторы признаков. Это только визуальная часть CLIP: текстовый энкодер и генерация текста в репозитории не представлены. Модель распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0; использовать её можно в приложениях, совместимых с timm.

mrcuddle/DarkHermes3-Llama3.2-3B-Instruct — дообученная компанией mrcuddle языковая модель для диалогов, следования инструкциям и генерации текста. Она основана на mrcuddle/Dark-Hermes3-Llama3.2-3B и обучена на англоязычном наборе llamafactory/alpaca_en. Модель использует плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Она рассчитана на текстовый ввод и генерацию текста; метаданные указывают поддержку чата и выполнения инструкций. В README приведено значение loss 1,1205 на оценочном наборе, но подробности оценки не описаны. Модель подходит для англоязычных диалоговых приложений, ответов на инструкции и генерации текста. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель laion/delphi-3e19-p33m67-k0p20-lr83-a002-magpie_lr1e5-sft — разговорная языковая модель семейства Qwen3, обученная с нуля на наборах данных magpie и delphi_warmup. Она предназначена для генерации текста в диалоговом формате. Модель содержит 801 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает контекст длиной до 4096 токенов. В метаданных указана библиотека Transformers и формат весов safetensors; модель поддерживает чат. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Карточка не содержит сведений об оценке качества или специальных ограничениях.

Ayush Auti разработал Ayush5605/dialogue-summarizer — модель FLAN-T5, дообученную на датасете SAMSum для создания кратких сводок диалогов. Она подходит для суммирования переписок, стенограмм встреч и разговоров с клиентами, сохраняя основную информацию. Модель использует архитектуру T5 и содержит 38,5 млн параметров. Она принимает текст и генерирует текстовую сводку; в первую очередь обучена на англоязычных диалогах. Контекст ограничен 512 токенами, а более длинные разговоры могут обрезаться. Лицензия — MIT.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

Модель monakth/distilbert-base-multilingual-cased-finetuned-squad — дообученная версия multilingual cased DistilBERT для извлечения ответов на вопросы. Она принимает вопрос и текстовый контекст и предсказывает фрагмент контекста в качестве ответа. Обучение проводилось на датасете SQuAD; для неё указан результат Loss 1,1954 на наборе оценки. Модель построена на архитектуре DistilBERT и предназначена для сценариев, где ответ можно найти в предоставленном тексте: например, для поиска ответов в документах или справочных материалах. Контекст ограничен 512 токенами. Лицензия — Apache-2.0.

Cohee/distilbert-base-uncased-go-emotions-onnx — модель классификации текста на основе DistilBERT, представленная в формате ONNX и квантованная для более эффективного выполнения. Она получена из joeddav/distilbert-base-uncased-go-emotions-student: модель-дистиллят обучали на неразмеченных примерах GoEmotions с псевдометками, созданными NLI-моделью для классификации без примеров. Модель предназначена для определения эмоциональных категорий в тексте и демонстрации более компактной альтернативы ресурсоёмкой zero-shot классификации. Обучение проводилось 10 эпох со смешанной точностью. Контекст составляет до 512 токенов; архитектура — DistilBERT для классификации последовательностей. Исходный набор GoEmotions допускает несколько меток на пример, однако учитель назначал только одну метку, поэтому модель может хуже работать, чем вариант, обученный на полностью размеченных данных. Лицензия — MIT.

kwondw/distilbert-base-uncased-msmarco-margin-mse-mnrl-100 — англоязычная модель Sentence Transformers, дообученная автором на основе distilbert/distilbert-base-uncased для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость оценивается скалярным произведением. Архитектура включает DistilBERT и усредняющий слой пулинга. README указывает максимальную длину последовательности 300 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для извлечения эмбеддингов и поиска релевантных текстов, включая семантический поиск и retrieval. В README приведены результаты оценки на NanoMSMARCO, однако показатели dot_accuracy@1, @3 и @5 низкие, поэтому качество для практического поиска следует проверять на целевых данных. Также указано, что обучение проводилось на наборе из 100 примеров. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

alakxender/e5-dhivehi-paws-mnr — модель в формате Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base для понимания смыслового сходства предложений на дивехи. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности в карточке — 256 токенов. Модель подходит для поиска семантически близких фраз, выявления перефразирований, кластеризации текстов и построения поиска по дивехи. README также перечисляет классификацию текста как возможный сценарий использования эмбеддингов. Обучение проводилось на 25 436 парах из alakxender/dhivehi-paws-labeled с MultipleNegativesRankingLoss; приведённая оценка Spearman для сходства составляет 0,283. Метаданные указывают 311,4 млн параметров и лицензию MIT. В README заявлена специализация на дивехи, но также приведена базовая мультиязычная модель; качество для других языков отдельно не оценено.

jaspionjader/ek-5 — разговорная языковая модель на архитектуре Llama, созданная объединением моделей с помощью mergekit и метода Model Stock. В качестве базовой использована jaspionjader/ek-1; в слияние также вошли jaspionjader/ek-3 и jaspionjader/ek-4. Модель предназначена для генерации текста и диалогового общения. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в доступных данных не указана.