I.14Автоматизация процессов и AI-агенты

YamshadowInex12_AlloyingotneoyExperiment26 — слитая модель семейства Mistral, опубликованная MaziyarPanahi. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения и ответы на текстовые запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель объединяет automerger/YamshadowInex12-7B и automerger/AlloyingotneoyExperiment26-7B. В карточке указана лицензия Apache-2.0. README не описывает специальную предметную область или отдельные ограничения качества; как и другие генеративные языковые модели, она может выдавать неточные ответы.

YamshadowInex12_YamT3qm7xp — слитая модель MaziyarPanahi на архитектуре Mistral, объединяющая automerger/YamshadowInex12-7B и automerger/YamT3qm7xp-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые продолжения. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache-2.0.

YamshadowStrangemerges_32_Experiment24Inex12 — объединённая методом слияния модель семейства Mistral, опубликованная MaziyarPanahi. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель создана на основе automerger/YamshadowStrangemerges_32-7B и automerger/Experiment24Inex12-7B. Её можно применять для диалогов и генерации текстовых ответов; конкретная специализация или заявленные преимущества в карточке не описаны. Лицензия — Apache 2.0.

ABEJA-Qwen2.5-32b-Japanese-v0.1 — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная командой ABEJA на базе Qwen/Qwen2.5-32B-Instruct. Модель прошла продолженное предварительное обучение с упором на японский язык; для усиления следования инструкциям применён ChatVector — разностный вектор между Qwen2.5-32B-Instruct и Qwen2.5-32B. Дополнительное постобучение не проводилось. Модель предназначена для генерации текста и диалогов на японском языке. Она принимает текст и выдаёт текст, работает через Transformers, поддерживает контекст до 32 768 токенов и имеет интерфейс для вызова инструментов. Поставляется в формате safetensors. Лицензия — Apache-2.0. Карточка не содержит конкретных результатов оценки качества; модель не проходила этап постобучения, поэтому качество следования инструкциям может отличаться от полноценно постобученных чат-моделей.

biu-nlp/abstract-sim-sentence — англоязычный sentence encoder на архитектуре MPNet, разработанный для сопоставления абстрактных описаний предложений с подходящими им предложениями. Модель обучена на данных Википедии; для поиска соответствий её используют вместе с отдельным Query encoder в двухбашенной архитектуре. Энкодер принимает предложения и преобразует их в признаки для сравнения и поиска подходящих текстов. Модель содержит 136,7 млн параметров, поддерживает контекст длиной до 514 токенов и поставляется в формате PyTorch. Подходит для семантического поиска и сопоставления предложений по смыслу. Лицензия в предоставленных данных не указана.

AI-vs-Deepfake-vs-Real-v2.0 — модель классификации изображений от prithivMLmods, дообученная на визуальном энкодере Google SigLIP 2 Base Patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: сгенерированное ИИ, дипфейк или подлинная фотография. Модель предназначена для проверки подлинности изображений, анализа медиаконтента и поддержки цифровой экспертизы. Прикладные сценарии включают фильтрацию изображений в новостных и социальных сервисах и предварительную проверку материалов для фактчекинга. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Beast-Soul-new — слитая языковая модель семейства Mistral, созданная с помощью LazyMergekit из udkai/Turdus и flemmingmiguel/MBX-7B. Она использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по запросу. Её контекстное окно составляет 32 768 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке не описаны целевые предметные области и поддерживаемые естественные языки.

Beetle-FineWeb2-24B/beetle-bilingual-balanced-b1-fineweb-zho-eng — двуязычная языковая модель для генерации текста на китайском и английском языках. Модель опубликована в репозитории Beetle-FineWeb2-24B и доступна через библиотеку Transformers; по названию она относится к семейству Beetle FineWeb2 и имеет размерный вариант 24B. В качестве основы обучения упоминается FineWeb, однако подробности архитектуры, состава данных и разработчиков в карточке не приведены. Модель предназначена для автодополнения и генерации связного текста, диалоговых и прикладных текстовых сценариев, а также для последующей интеграции в приложения на базе Transformers. Название указывает на балансировку между китайским и английским языками и ориентацию на работу с обоими языками. Карточка не содержит сведений о длине контекста, результатах оценки, методах дообучения, рекомендованных параметрах запуска или лицензии, поэтому перед использованием в продуктивных и коммерческих системах необходима дополнительная проверка.

yanekyuk/bert-uncased-keyword-extractor — модель на базе BERT, дообученная для извлечения ключевых слов из текста. Она выполняет токенную классификацию: каждому токену присваивается метка, позволяющая выделять ключевые слова. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch. Модель рассчитана на англоязычный текст. Её можно применять для автоматического выделения ключевых слов в документах и фрагментах текста. В README приведены результаты оценки: precision 0,8547, recall 0,8825, accuracy 0,9741 и F1 0,8684; обучающий датасет не описан. Модель распространяется по лицензии Apache-2.0. Качество на других типах текстов и языках не подтверждено; из-за отсутствия сведений о датасете и предназначенных сценариях следует проверять результаты на собственных данных.

dariolopez/bge-m3-es-legal-tmp-6 — модель Sentence Transformers, дообученная на основе BAAI/bge-m3 для получения текстовых эмбеддингов на испанском языке, в том числе для юридических текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Модель содержит 658,7 млн параметров и поддерживает последовательности длиной до 8194 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведены оценки поиска информации для выходных размерностей от 64 до 1024, что позволяет выбирать компромисс между размером векторов и качеством. Модель распространяется по лицензии Apache-2.0. Оценки в карточке относятся к указанным там наборам данных; результатов для других корпусов и языков не приведено. Назначение для испанских юридических текстов следует из имени и карточки, но детали обучающего набора в README не описаны.

breakmymind-7B-slerp — языковая модель на 7,1 млрд параметров, созданная Eliorkalfon слиянием WizardLM/WizardMath-7B-V1.1 и OpenPipe/mistral-ft-optimized-1227 методом SLERP с помощью mergekit. Модель построена на архитектуре Mistral и предназначена для генерации текста, включая решение математических задач и диалоговые сценарии. Контекст модели составляет до 32 768 токенов. В репозитории представлены веса в формате safetensors; в конфигурации слияния указан тип данных bfloat16. Лицензия — Apache 2.0, допускающая коммерческое использование при соблюдении её условий. Подробные оценки качества и ограничения в карточке не приведены.

MaziyarPanahi/calme-2.1-qwen2-7b — дообученная авторами MaziyarPanahi модель Qwen2-7B для диалоговой генерации текста. Она предназначена для общения в формате ChatML и призвана улучшить результаты базовой модели на различных бенчмарках. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель можно применять для ведения диалога, ответов на вопросы и генерации текстовых ответов. Для обучения использовались HelpSteer2, OpenHermes-2.5, набор задач Orca Math и SlimOrca. В карточке приведены результаты оценки на бенчмарках, включая IFEval и BBH. Доступна под лицензией Apache-2.0.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_ppl_b60000_s0 — дообученная плотная авторегрессионная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_ppl_b60000_s0; название набора указывает на смесь данных с кодом, но README не уточняет состав и оценку качества. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. В метаданных указана возможность чата; основная задача — генерация текста, включая продолжение кода и диалоговые ответы. Базовая модель описана как англоязычная, поэтому английский является основным языком. Модель распространяется под лицензией с обозначением other; конкретные условия следует проверять в репозитории. README не приводит сведений о целевых сценариях, результатах оценки или известных ограничениях.

CASA-Helium1-VL-2B — модель «зрение и язык» (VLM) от Kyutai, дообученная на базе Helium1-2B с визуальным энкодером Qwen2.5-VL-3B. Она использует перекрёстное внимание: визуальные признаки поступают в текстовый поток через отдельные слои и не добавляют токены изображений в KV-кэш языковой модели. Веса содержат 1,9 млрд параметров, контекст — 4096 токенов; модель работает с изображениями и текстом, основной язык — английский. Модель предназначена для понимания изображений и ответов на вопросы по визуальному содержимому. Среди подходящих сценариев — чтение текста и документов на изображениях, анализ диаграмм и визуальные вопросы и ответы. Архитектура CASA также разработана с расчётом на потоковую обработку видео, однако README описывает применение на потоковом видео для другой модели коллекции, поэтому эту возможность нельзя считать подтверждённой для данного чекпойнта. Модель не выровнена по предпочтениям людей и может выдавать ошибочные, предвзятые, вредные или бесполезные ответы; перед использованием в прикладных системах нужны дополнительное выравнивание и оценка рисков. README рекомендует дообучение для большинства прикладных сценариев. Лицензия — CC-BY-NC-SA-4.0; поскольку в составе есть замороженные веса визуального энкодера Qwen2.5-VL-3B, также применимо соглашение Qwen Research License Agreement.

Caspian-LFM2.5-350M-Reasoning — дообученная разговорная языковая модель Willie999 на архитектуре Liquid LFM 2.5. Она предназначена для генерации текста с акцентом на рассуждения, в том числе для математических задач и кода; в карточке также приведены примеры оценки на биологических темах. Метаданные указывают 444,6 млн параметров, контекст до 128 000 токенов и формат safetensors. В README размер модели указан как 350 млн параметров, поэтому опубликованные сведения о размере расходятся. Модель поддерживает английский язык и может применяться для ответов на вопросы, решения задач и генерации кода в диалоговом формате. README приводит показатели скорости и точности, однако не описывает методику оценки достаточно подробно, чтобы переносить их на другие условия. Модель распространяется по лицензии MIT.

Модель thuyduongjoe123/checkpoints_vi_km_logit — компактная языковая модель для генерации текста на базе семейства Qwen3. Она опубликована в формате, совместимом с библиотекой Transformers, и содержит около 1,7 млрд параметров. Модель относится к классу conversational и предназначена для диалоговой генерации и других сценариев text-generation. Модель может использоваться для создания черновиков текста, продолжения заданных фрагментов, генерации ответов в диалогах и прототипирования приложений на базе языковых моделей. Максимальная заявленная длина контекста составляет 40 960 токенов, что позволяет обрабатывать достаточно длинные входные последовательности. В README отсутствуют сведения о разработчике, языках, лицензии, данных обучения, методике дообучения и результатах оценки. Поэтому перед применением в продуктивных системах необходимо самостоятельно проверить поддерживаемые языки, качество на целевых данных, корректность диалогового поведения и условия распространения модели.

CLIP-convnext_xxlarge-laion2B-s34B-b82K-augreg-soup — мультимодальная модель семейства CLIP, обученная Ross Wightman с использованием OpenCLIP на английской подвыборке LAION-2B. Она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена прежде всего для классификации изображений по текстовым меткам без дообучения, а также для поиска изображений по тексту и текстов по изображению. Визуальная часть построена на ConvNeXt-XXLarge из timm с проекционным слоем; текстовая часть имеет размерность 1024, 16 attention heads и 24 слоя. Вся модель содержит около 1,2 млрд параметров и обучалась на изображениях разрешением 256×256. В README указана точность 79,4% top-1 на ImageNet при zero-shot классификации. Модель рассчитана на англоязычные сценарии: обучение и оценка на других языках не проводились. В README не рекомендуют развёртывание без тщательной проверки на конкретной фиксированной таксономии классов; распознавание лиц и наблюдение прямо отнесены к недопустимым сценариям. Лицензия — MIT.

CodeMix-JPID-3B-Llama3.2 — объединённая языковая модель, созданная сообществом mergekit на основе нескольких моделей семейства Llama 3.2. Для слияния применён метод TIES; базовой указана pankajmathur/orca_mini_v9_7_3B-Instruct. В объединение также вошли модели с настройками для математики, финансов, диалога и других задач. Модель предназначена для генерации текста и диалоговых сценариев. Она имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. README и метаданные не сообщают о лицензии, целевых языках и результатах оценки качества. Возможности модели могут различаться по задачам, представленным в исходных моделях; отдельные количественные гарантии качества не приведены.

ConfigurableHermes-7B — языковая модель Vicgalle, дообученная методом configurable safety tuning на наборе vicgalle/configurable-system-prompt-multitask. Она построена на архитектуре Mistral с плотной decoder-only моделью на 7,1 млрд параметров и предназначена для диалогов и генерации текста с поведением, задаваемым системной инструкцией. Системный промпт позволяет настроить модель на безопасные ответы, ответы без ограничений, честные и правдивые ответы или ролевую персону. Это подходит для прототипирования чат-ассистентов с разными правилами поведения и оценки влияния системных инструкций. Модель принимает и выдаёт текст; контекст — до 32 768 токенов. В карточке приведены результаты оценивания на наборах Open LLM Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют качество в конкретном сценарии; выбранный системный промпт влияет на ответы, а режим без ограничений может допускать вредный или незаконный контент.

CoT-T5-11B — англоязычная языковая модель семейства T5, разработанная KAIST AI на базе Flan-T5 и дообученная на 1,84 млн цепочек рассуждений для 1 060 задач из CoT Collection. Она предназначена для генерации ответов с пошаговым рассуждением, решения ранее не встречавшихся задач в режиме zero-shot и адаптации к новым задачам посредством дополнительного дообучения с цепочками рассуждений. Модель использует архитектуру T5 для преобразования текста в текст; в метаданных указано 5,8 млрд параметров и формат PyTorch. В README сообщается о более высоких результатах CoT-T5 по сравнению с Flan-T5 при использовании цепочек рассуждений. Модель поддерживает английский язык и работает с текстовыми входами и выходами. Лицензия — Apache 2.0. Результаты на конкретных задачах и длина контекста в предоставленных данных не описаны; крупный размер требует существенных вычислительных ресурсов.

Cyrax-7B — языковая модель семейства Mistral с 7,1 млрд параметров, опубликованная touqir. Она предназначена для генерации текста и ответов на запросы; в карточке приведены результаты Open LLM Leaderboard по тестам ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель использует плотную архитектуру MistralForCausalLM, работает с текстом и поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не сообщает дополнительных сведений о методе обучения или ограничениях модели.

davanstrien/dataset-schema-task-classifier — модель классификации текста на базе двунаправленного энкодера LiquidAI/LFM2.5-Encoder-350M, дообученного для многометочной классификации схем датасетов. Она предсказывает категории задач, связанные с датасетом, например распознавание речи, генерацию текста, классификацию изображений, поиск и прогнозирование временных рядов; всего в карточке заявлено 35 меток. Модель содержит 444,6 млн параметров, использует архитектуру LFM2 и поддерживает контекст до 128 000 токенов. Модель предназначена для автоматической разметки описаний и схем датасетов категориями задач, в том числе как этап каталога или поиска данных. В README приведены значения F1: micro 0,5898 при пороге 0,5 и 0,6238 при настроенных порогах; для применения меток с приоритетом точности рекомендуется отбирать предсказания с высокой уверенностью и направлять остальные на проверку. Используется специальная голова классификации, поэтому для загрузки требуется trust_remote_code=True; README также отмечает ограничение стандартных архитектур для обслуживания через vLLM. Лицензия в предоставленных данных не указана.

Карточка модели nehayadav941244/deberta-v3-large на Hugging Face совпадает с карточкой microsoft/deberta-v3-large, поэтому описание составлено по ней. microsoft/deberta-v3-large — англоязычная модель понимания текста от Microsoft на архитектуре DeBERTa V3. Она использует раздельное представление содержимого и позиций в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов в эмбеддингах. Модель содержит 24 слоя, скрытый размер 1024 и словарь из 128 тысяч токенов; всего в репозитории указано 533,8 млн параметров. Максимальная длина контекста — 512 токенов. Основная задача модели — предсказание замаскированных токенов в английском тексте. Её также можно дообучать для задач понимания естественного языка, например классификации текста и ответов на вопросы; README приводит результаты на SQuAD 2.0 и MNLI. Доступны веса в форматах PyTorch и TensorFlow. Модель выпущена под лицензией MIT. Она предназначена для обработки текста и не генерирует свободный текст как диалоговая языковая модель; качество зависит от конкретной задачи и дообучения.

DeBERTinha PT-BR XSmall — предварительно обученная языковая модель семейства DeBERTa-V3, разработанная командой sagui-nlp для бразильского португальского. В репозитории указано около 40 млн параметров; метаданные каталога содержат оценку 47,6 млн. Модель рассчитана на извлечение признаков из текста и получение текстовых представлений, которые можно использовать в качестве эмбеддингов. Модель подходит для построения эмбеддингов и как основа для задач анализа текста на бразильском португальском. В карточке названы обучающие корпуса BrWaC и Corpus Carolina. Длина контекста составляет 512 токенов; модель доступна для Transformers в форматах PyTorch и safetensors. В README отмечено, что на несбалансированных наборах данных результаты могут быть слабыми; для улучшения обучения авторы рекомендуют, среди прочего, масштабирование функции потерь и weight decay. Лицензия модели — MIT.

Hasanur525/deed-summarization_version_10 — дообученная модель на архитектуре mT5, основанная на Hasanur525/deed-summarization_version_5. Она предназначена для автоматического краткого пересказа текстов. В репозитории указаны результаты на оценочном наборе: ROUGE-1 0,3247, ROUGE-2 0,1432, ROUGE-L 0,3268 и ROUGE-Lsum 0,3201; средняя длина генерации — около 98 токенов. Модель содержит 291,2 млн параметров и распространяется в формате safetensors. Данные обучения и конкретные языки применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

Ombro v1 — экспериментальная смешанная квантизация в формате GGUF модели DeepSeek-V4-Flash-0731, подготовленная автором репозитория Wladastic. Это разреженная MoE-модель с 304 млрд параметров: в карточке описаны 43 трансформерных слоя и 256 экспертов на слой, из которых для каждого токена выбирается небольшая часть. Файл размером около 81,37 ГБ использует разные точности для активной части модели и маршрутизируемых экспертов; для запуска требуется сборка llama.cpp с поддержкой DeepSeek V4 Flash 0731. Модель предназначена для генерации текста и диалогового использования. В README также описаны предварительные локальные запуски для генерации кода и интерактивного 3D-контента, но широкая оценка качества и сравнение с исходной моделью ещё не проводились. Шаблон чата поддерживает уровни Low, Medium, High и Max. Репозиторий распространяется по лицензии MIT; автор отмечает, что квантизация не связана официально с DeepSeek или Unsloth.

dinghy-law-4b-v1 — модель плотных текстовых эмбеддингов от Hanno Labs, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска по юридическим корпусам. Она предназначена для извлечения релевантных законов, судебных решений и договорных фрагментов, а также для сопоставления, кластеризации и дедупликации юридических текстов. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3 и выдаёт вектор размерности 2560. Для запросов поддерживается инструкция задачи; документы кодируются без неё. По умолчанию модель обрабатывает до 8192 токенов, а настройка позволяет использовать контекст базовой модели до 40960 токенов. Модель оптимизирована для англоязычных, немецкоязычных и китайскоязычных юридических текстов. В собственной оценке разработчика на MTEB(Law, v1) она получила 71,24 по Mean(Task) nDCG@10; это результат измерения автора, а не официальное место в таблице лидеров. Модель подходит для первого этапа поиска и ранжирования в юридических RAG-системах, включая локальные и изолированные развёртывания. Она формирует эмбеддинги, но не генерирует ответы и не предоставляет юридические консультации. Лицензия — Apache-2.0.

DUSUNEN Pusula 118M v0 — компактный турецкий энкодер для поиска и сравнения текстов, разработанный автором репозитория GoktugD. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена на 100 000 обучающих и 2 000 проверочных триплетах с Cached Multiple Negatives Ranking Loss. Она преобразует запросы и документы в нормализованные векторы размерностью 384; архитектура — BERT, число параметров — около 124,3 млн, контекст — до 512 токенов. Модель предназначена для семантического поиска, ранжирования документов по близости к запросу и других сценариев retrieval на турецком языке. В README приведены результаты оценки на пяти турецких поднаборах MTEB и сравнение компромисса между размером модели, памятью индекса и качеством поиска. Модель не генерирует текст и не ведёт диалог. Лицензия — Apache-2.0. Качество поиска ниже, чем у более крупной DUSUNEN Rota 270M v1 в указанном наборе задач; компактность достигается за счёт снижения оценочного результата. Обучающие данные основаны на машинном переводе турецкого MS MARCO и могут содержать ошибки перевода, устаревшие сведения и смещения веб-текстов. Оценка сходства служит сигналом ранжирования, а не вероятностью или проверкой фактов.

German Electra Uncased — немецкоязычная модель семейства ELECTRA, созданная German NLP Group совместно Филипом Маем из Deutsche Telekom и Филиппом Райселем из ambeRoad. Это базовая модель для дообучения на прикладных задачах обработки немецкого языка, включая ответы на вопросы и анализ тональности; её можно использовать как замену BERT в большинстве задач такого типа. Модель содержит 138,4 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Она обучена без учёта регистра, но сохраняет диакритические знаки, в том числе немецкие умляуты. В версии 2 обучение продолжили до 1,5 млн шагов на корпусах немецкого Common Crawl, Википедии, субтитрах и новостях. Для решения прикладных задач модель нужно дообучить. В README приведены результаты оценки на немецких наборах данных, но они относятся к моменту выпуска модели в 2020 году. Лицензия — MIT.

cyttic/exp23-directfit-unfrozen — модель с архитектурой vision-encoder-decoder, дообученная разработчиком на базе cyttic/exp22-exp2warm-directfit-frozen. Она принимает изображения и формирует текст; репозиторий помечен задачей image-text-to-text. На оценочном наборе указаны Loss 0,4588, CER 0,0245 и WER 0,0647. Данные о назначении, обучающем наборе и условиях применения в карточке не раскрыты. Модель распространяется в формате safetensors.