I.14Автоматизация процессов и AI-агенты

Omega AI 100B — переименованное размещение модели inclusionAI/LLaDA2.2-flash от Omega AI. Согласно README, исходные предварительно обученные веса сохранены без дообучения; параметры модели оцениваются примерно в 103 млрд. Метаданные каталога указывают 5,5 млрд параметров, поэтому размер модели в источниках расходится. Модель предназначена для генерации текста и диалогов. Она использует MoE-архитектуру семейства LLaDA2, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. В карточке указана лицензия Apache-2.0. README не описывает отдельные сценарии или оценку качества Omega-размещения.

Jebadiah/OpenBio-gem-p1 — языковая модель, созданная разработчиком Jebadiah путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована Jebadiah/gradient-1m-OpenBio-stone-l3-8b, также в слияние включена Jebadiah/dolphin-hermes-stone-l3-8b-1m. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; заявленное контекстное окно составляет 1 048 576 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает качество на отдельных задачах, языковой охват или ограничения. Информация о лицензии отсутствует в предоставленных данных.

Open_Gpt4_8x7B_v0.1 — языковая модель, опубликованная rombodawg и собранная методом TIES из notux-8x7b-v1 и UNAversal-8x7B-v1beta на основе MixtralOrochi8x7B. Она предназначена для генерации текста и диалоговых сценариев по шаблону Alpaca. Архитектура — MixtralForCausalLM с разреженной смесью экспертов; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. Доступны веса в формате safetensors; README указывает тип данных float16. Модель объединяет возможности исходных Mixtral-моделей и может применяться для ответов на вопросы, написания и преобразования текста. Автор рассматривает её как эксперимент с целью расширить возможности базовой модели и отмечает, что для оценки качества требуется дополнительное тестирование. Лицензия — CC BY 4.0.

Это пакет слоёв GGUF для Mesh LLM, созданный Mesh LLM на основе unsloth/Ornith-1.0-35B-GGUF в варианте UD-Q4_K_XL. Он предназначен для распределённого запуска модели Ornith-1.0-35B на локальном кластере Mesh LLM: слои можно распределить между несколькими машинами, чтобы обслуживать модель, не размещая весь пакет на одном узле. Модель поддерживает диалоговую генерацию текста и может использоваться через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Пакет включает раздельные артефакты слоёв и общие файлы GGUF, в том числе эмбеддинги. Сведения об архитектуре, языках, контекстном окне и условиях лицензии следует сверять с карточкой исходной модели; README этого пакета их не приводит.

NVIDIA Parakeet-RNNT 110M Danish — модель автоматического распознавания речи с 110 млн параметров для преобразования датской речи в текст. Она предназначена для транскрибирования аудиозаписей и интеграции в приложения распознавания речи. Модель использует архитектуру FastConformer с предсказательной сетью LSTM и обучена с функцией потерь RNN-T. На вход подаётся монофоническое аудио с частотой 16 кГц, на выходе — строка с распознанным текстом. В README приведены оценки WER от 8,8% до 10,7% на датских тестовых наборах при жадном декодировании без внешней языковой модели. Для работы используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Модель подходит для коммерческого и некоммерческого использования согласно README. В метаданных указана лицензия other, поэтому перед внедрением следует проверить применимые условия распространения и использования. Качество может зависеть от акустики, акцента и соответствия аудио обучающим данным; заявленные оценки относятся к указанным наборам и настройке декодирования.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B V3, подготовленная theoracleguy для совместимости с MLX и рабочих процессов преобразования речи в текст на устройствах Apple. Она предназначена для локальной транскрибации аудио через OpenVox и совместимые инструменты, включая mlx-audio и parakeet-mlx. Модель использует кодировщик FastConformer и декодер Token-and-Duration Transducer (TDT), имеет размер 0,6 млрд параметров и поддерживает 25 европейских языков, включая русский, английский, испанский, французский и немецкий. Репозиторий распространяет веса в формате safetensors; библиотека MLX рассчитана на устройства Apple Silicon. Карточка характеризует модель как быструю и точную для многоязычного распознавания, но подробные показатели качества и языковые ограничения следует оценивать по карточке исходной модели NVIDIA. Лицензия репозитория — CC BY 4.0.

bunsenfeng/parti_17_full — языковая модель для генерации текста, опубликованная пользователем bunsenfeng на Hugging Face. README создан автоматически и не содержит достоверных сведений о разработчике, обучающих данных или происхождении модели. Модель предназначена для сценариев генерации и продолжения текста, а также может использоваться в диалоговых приложениях благодаря тегу conversational. В метаданных указаны библиотека Transformers, семейство Qwen2 и формат safetensors. Размер модели составляет 7,1 млрд параметров, максимальная нативная длина контекста — 32 768 токенов. Документация не содержит результатов оценки, описания архитектуры на уровне конфигурации, поддерживаемых естественных языков, лицензии и рекомендаций по безопасному применению. Поэтому качество, языковой охват и допустимые условия использования следует проверять отдельно перед внедрением.

Perception Encoder PE-Core-B16-224 — визуально-языковая модель-энкодер, разработанная Meta для понимания изображений и видео. Это версия семейства PE Core размера B/16: визуальная башня имеет 12 слоёв и около 90 млн параметров, а текстовая — 24 слоя и около 310 млн параметров. Модель сопоставляет изображения и текст в общем пространстве признаков; изображения обрабатываются при разрешении 224 пикселя, длина текстового контекста составляет 32 токена. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для извлечения признаков и поиска по сходству изображений и текста. В README также приведены результаты на задачах классификации видео и поиска, однако карточка Hugging Face указывает основной задачей классификацию изображений zero-shot. Вариант B/16 показал результаты на наборах ImageNet-1k, ImageNet-v2, ImageNet-A, ObjectNet и Kinetics-400. PE Core использует контрастивное предварительное обучение и дополнительную настройку на синтетически согласованных видеоданных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления. Для работы требуются PyTorch и библиотека perception-encoder. Лицензия — Apache-2.0. Генерация текста или изображений не поддерживается; текстовый контекст ограничен 32 токенами.

phi-3-mini-4k-python — языковая модель для генерации текста и программного кода, разработанная пользователем theprint. Она дообучена на базе unsloth/Phi-3-mini-4k-instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. В обучении использовались наборы данных с инструкциями и примерами кода на Python, включая iamtarun/python_code_instructions_18k_alpaca и ajibawa-2023/Python-Code-23k-ShareGPT. Модель предназначена прежде всего для генерации, дополнения и объяснения кода на Python, а также для диалоговых сценариев, связанных с программированием. Указанный в названии и базовой модели контекст составляет 4K токенов; поддерживаемый язык в карточке указан как английский. Модель относится к текстовой модальности и доступна в 4-битном формате bnb. К сильным сторонам относятся специализация на Python и обучение на датасетах с программными инструкциями. Согласно приведённой оценке Open LLM Leaderboard, средний результат составил 17,39; показатели на отдельных тестах: 24,09 на IFEval, 28,45 на BBH и 28,63 на MMLU-PRO. Эти результаты указывают на ограниченные возможности в сложных задачах общего рассуждения, математики и академических вопросах, поэтому ответы и код требуют проверки. Модель распространяется по лицензии Apache-2.0.

Модель failspy/Phi-3-vision-128k-instruct-abliterated-alpha создана автором failspy на основе microsoft/Phi-3-vision-128k-instruct. Это мультимодальная модель семейства Phi-3-Vision с 3,7 млрд параметров: она принимает текст и изображения, а отвечает текстом в формате диалога. Автор применил ортогонализацию весов bf16, чтобы ослабить склонность модели отказывать в ответах; зрительные слои не изменялись, преобразованию подверглись языковые и чат-слои. Модель предназначена для диалоговых запросов по тексту и изображениям, включая вопросы о визуальном содержимом и генерацию текста или кода. В карточке указаны лицензия MIT и контекст 4096 токенов. Автор называет выпуск экспериментальным и предупреждает, что модель может чаще галлюцинировать, чем исходная, сохранять отказы и проявлять побочные эффекты ортогонализации. Это не дообучение на новых данных, а изменение весов исходной модели для ослабления конкретного поведения.

Это модель Sentence Transformers, дообученная iambestfeed на базе вьетнамского энкодера vinai/phobert-base-v2 на наборе Vietnamese-Ecommerce-Alpaca. RoBERTa-модель содержит 162,4 млн параметров и преобразует предложения и абзацы во векторы размерности 768; для сравнения близости используется косинусное сходство. Максимальная длина последовательности — 258 токенов по метаданным; README указывает 256 токенов. Модель предназначена прежде всего для оценки семантического сходства вьетнамских текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучение на 69 292 парах anchor-positive из датасета Vietnamese-Ecommerce-Alpaca ориентирует её на соответствующий материал, в том числе вопросы и ответы об электронной торговле. Это энкодер для получения векторных представлений, а не модель для генерации ответов. Лицензия в предоставленных данных не указана.

jefftherover/pii-layout-synth-distil-v1 — дообученная модель для классификации токенов на базе архитектуры ModernBERT. По названию репозитория она предназначена для обнаружения персональных данных в синтетических документах с учётом их структуры, однако карточка не описывает метки, обучающие данные или сценарии применения. Модель содержит 93,8 млн параметров, принимает контекст до 8192 токенов и сохранена в формате safetensors; используется библиотека Transformers. В README приведены метрики оценки: F1 0,9930, точность 0,9987, precision 0,9911 и recall 0,9949. Классификация токенов подходит для разметки фрагментов текста, например для последующего выделения сущностей. Высокие заявленные метрики относятся только к описанному в карточке набору оценки и не гарантируют качество на других данных. Лицензия в предоставленных сведениях отсутствует.

privacy-filter-nemotron-GGUF — это GGUF-версия модели OpenMed/privacy-filter-nemotron, разработанная на основе openai/privacy-filter и дообученная на наборе данных NVIDIA Nemotron-PII. Пакет подготовлен LocalAI-io для локального обнаружения и классификации персональных данных, а не для генерации текста или ведения диалогов. Модель выполняет token classification: размечает токены BIOES-тегами и выделяет согласованные сущности с помощью ограниченного Viterbi-декодирования. Она поддерживает 55 детализированных категорий PII, всего 221 класс, включая имена, государственные идентификаторы, финансовые, медицинские, автомобильные и цифровые данные. Основной язык — английский. Используется специальная архитектура openai-privacy-filter; доступны варианты F16 размером 2,82 ГБ и смешанный Q8_0 размером 1,64 ГБ, в котором MoE-эксперты квантизованы, а attention, embeddings и classifier head сохранены в F16. Модель подходит для локального PII-детектора и сервисов редактирования или маскирования конфиденциальных данных, в том числе через privacy-filter.cpp и LocalAI. F16 является эталонным вариантом, тогда как Q8_0 требует меньше памяти и обычно немного быстрее, но может изменить отдельные предсказания. Для работы необходим runtime с поддержкой custom architecture openai-privacy-filter: рекомендуются privacy-filter.cpp или backend privacy-filter в LocalAI. Стандартные llama.cpp, llama-cpp-python, Ollama и LM Studio без специальных патчей этот файл не загрузят. Лицензия — Apache-2.0.

PubMedBERT Embeddings 8M — англоязычная модель статических текстовых эмбеддингов, созданная NeuML как дистиллированная версия NeuML/pubmedbert-base-embeddings с библиотекой Model2Vec. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и построения баз знаний для RAG; подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке на CPU или GPU. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary: результаты конкурентоспособны, но не всегда превосходят другие модели из сравнения. Размер контекста в метаданных указан как 1 000 000 токенов. Распространяется по лицензии Apache-2.0.

MaziyarPanahi/Qwen1.5-8x7b-v0.1 — языковая модель, дообученная MaziyarPanahi на наборе Crystalcareai/MoD-150k. По описанию, при создании объединили восемь дообученных вариантов Qwen1.5-7B в MoE-модель, а затем снова дообучили её на этом наборе. Архитектура указана в метаданных как MixtralForCausalLM с механизмом Mixture of Experts; формат весов — safetensors. В README приведено 38,0 млрд параметров, тогда как метаданные указывают 7,1 млрд, поэтому размер модели нельзя однозначно определить по предоставленным сведениям. Модель предназначена для генерации текста и диалогового использования через Transformers. Указанное в метаданных максимальное окно контекста — 32 768 токенов. В README приведён результат оценки Loss 0,7945, но нет описания протокола оценки или подробностей обучающих данных, кроме названия датасета. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице модели и в лицензии базовой модели.

bunnycore/Qwen-2.5-3b-Evol-CoT-V3 — языковая модель на архитектуре Qwen2.5, созданная разработчиком bunnycore с помощью слияния предварительно обученных моделей методом Model Stock через mergekit. В состав вошли варианты Evol-CoT, RP и Mix-Data-lora; в качестве основы указаны Qwen/Qwen2.5-3B и адаптированные модели bunnycore. Модель предназначена для генерации текста и диалогового применения. Она содержит 3,1 млрд параметров, работает с текстом и имеет контекстное окно до 32 768 токенов. В карточке не указаны специализация по естественным языкам и конкретные предметные области. Модель распространяется в формате safetensors. Условия лицензии в предоставленных данных не приведены.

Qwen2.5-3B-RP-Thinker-V2 — объединённая модель генерации текста, созданная Bunnycore с помощью mergekit методом Model Stock на основе Qwen/Qwen2.5-3B-Instruct с включением PowerInfer/SmallThinker-3B-Preview и bunnycore/Qwen2.5-3B-RP-Mix. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для диалогов и генерации текста; доступны интерфейс вызова инструментов и контекст до 32 768 токенов. Модель подходит для диалоговых сценариев и задач, где полезны рассуждения, следование инструкциям и стиль RP, унаследованные от объединённых моделей. Она загружается через Transformers, веса представлены в формате safetensors. В карточке указана лицензия Apache-2.0? нет; условия лицензирования по предоставленным данным установить нельзя.

Montalte/qwen3_4b_nh025_thinkcode_a_planb_trainable — текстовая модель генерации на архитектуре Qwen3, опубликованная Montalte. В карточке она описана как объединённый чекпойнт Plan B Localize-and-Stitch, загруженный после локальных оценочных запусков; метаданные указывают на дообучение Qwen/Qwen3-4B-Base. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. В репозитории указаны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0. Карточка не приводит сведений о целевых языках и специализированных сценариях или ограничениях качества.

Это преобразованная в формат MLX версия модели Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16, подготовленная сообществом mlx-community из чекпойнта AEON-7. В README указано преобразование с помощью mlx-lm версии 0.31.2; метаданные относят исходную модель к дообученным моделям семейства Qwen3.6 с архитектурой Qwen3_5ForConditionalGeneration и 27B параметров согласно идентификатору и описанию базовой модели. Репозиторий предназначен для запуска генерации текста и диалогов на системах Apple с MLX. Модель поддерживает чат и мультимодальные задачи, включая работу с изображениями; в карточке каталога также указана поддержка английского и китайского языков, а метки обозначают мультиязычность. Версия помечена как uncensored и abliterated, то есть рассчитана на ослабленные отказы. Репозиторий распространяется по лицензии Apache-2.0. README описывает конверсию в MLX, но не сообщает длину контекста или результаты оценки качества.

Это квантованная версия модели Qwen3.8-23B-Mini-Me-bf16, подготовленная torchsnow в формате GGUF для запуска через llama.cpp. Базовая модель разработана StargazerLabs; согласно описанию базовой модели в каталоге, это уменьшенная мультимодальная модель Qwen3.8 для диалогов, программирования и агентных задач с поддержкой изображений. Модель принимает текст и изображения и предназначена для задач image-text-to-text: диалогов и ответов на вопросы с учетом изображений. Репозиторий содержит вариант GGUF Q3_K_M; карточка описывает конвертацию исходной модели в GGUF, а метаданные указывают лицензию Apache-2.0. Для деталей использования и ограничений базовой модели следует обращаться к её карточке.

PJRM/Qwen3.8-4B-Distill-heretic-Q4_K_M-GGUF — это квантизированная версия языковой модели valiolla/Qwen3.8-4B-Distill-heretic, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. В карточке указано, что модель предназначена для генерации текста и ориентирована на английский язык. Размер модели — около 4 млрд параметров, а Q4_K_M обозначает квантизацию, снижающую требования к памяти и вычислительным ресурсам. Модель рассчитана на локальный запуск через llama.cpp, включая режим командной строки и серверный режим. По тегам она связана с задачами рассуждения, function calling, supervised fine-tuning и distillation, однако README не содержит подробных результатов оценки, описания архитектуры, максимального контекста, поддерживаемых модальностей или гарантированных сценариев применения. В качестве примера запуска указан контекст 2048 токенов, но это не подтверждает максимальный размер контекста модели. К сильным сторонам относятся компактный размер, экономичная 4-битная квантизация и совместимость с llama.cpp, что упрощает локальное развертывание. Ограничения — отсутствие подробной информации о качестве, бенчмарках, точном происхождении и характеристиках исходной модели, а также заявленная поддержка только английского языка. Модель распространяется по лицензии Apache-2.0; условия использования производной исходной модели следует дополнительно проверять в её оригинальной карточке.

Qwen3-8B-Deita-SFT-Teacher — дообученная модель генерации текста на основе Qwen/Qwen3-8B-Base, опубликованная hoangducanh1865. Для дообучения использован набор HuggingFaceH4/deita-10k-v0-sft; модель предназначена для диалоговой генерации текста и может служить основой для дальнейшей адаптации. Архитектура — плотная авторегрессионная Qwen3ForCausalLM на 7,6 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0. Метаданные не уточняют поддерживаемые естественные языки и отдельные ограничения качества или применения.

Это самостоятельный чекпойнт генерации текста на архитектуре Qwen3, подготовленный автором репозитория ganscs на основе Qwen/Qwen3-8B-Base. Веса обученного LoRA-адаптера и обученные веса входных и выходных слоёв объединены с базовой моделью в формате BF16; для загрузки через Transformers отдельный PEFT-адаптер не нужен. Модель содержит 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для продолжения предобучения и генерации текста в том числе в диалоговом режиме. В обучении использовался 4-битный вариант базовой модели, а готовый экспорт объединён с BF16-версией базы. Указанная в карточке ошибка валидации относится к исходному обучающему чекпойнту и не является новой оценкой качества этого экспорта. Проверка загрузки и генерации описана автором как smoke test. Лицензия — Apache-2.0.

reazonspeech-nemo-v2 — модель автоматического распознавания речи, разработанная Reazon Research и обученная на корпусе ReazonSpeech v2.0. Она преобразует японскую речь из аудиозаписей в текст и предназначена в том числе для расшифровки длинных записей продолжительностью до нескольких часов. Модель основана на улучшенной архитектуре Conformer из Fast Conformer с линейно масштабируемым механизмом внимания. Это субсловная RNN-T-модель с 619 млн параметров: кодировщик использует Longformer attention с локальным контекстом 256 и одним глобальным токеном, а словарь декодера содержит 3000 токенов SentencePiece unigram. Для использования разработчик рекомендует библиотеку reazonspeech. Модель ориентирована на японскую речь и длительные аудиозаписи. Лицензия Apache-2.0.

RoBERTo — модель классификации текста, разработанная absltnull для различения боснийского, хорватского и сербского языков. Это дообученная XLM-RoBERTa-base с архитектурой Transformer для классификации последовательностей и 305,2 млн параметров. Модель принимает текст и возвращает одну из меток: bs, hr или sr. Контекст модели составляет 514 токенов по метаданным; в README указано, что при обучении использовались последовательности до 256 токенов. Модель предназначена для определения языка в наборах данных и балансировки корпусов на боснийском, хорватском и сербском. В README заявлена точность свыше 91% на неоднозначных и однозначных примерах тестирования, однако близость этих языков создаёт ошибки, особенно при различении боснийского и хорватского текста без характерных языковых признаков. Обучающие данные взяты из rsateam/sr-bs-hr-language-id и размечены по источнику публикации. Модель распространяется по лицензии MIT.

cointegrated/rubert-tiny-bilingual-nli — компактная модель на базе RuBERT-tiny, дообученная разработчиком cointegrated для определения логической связи между двумя короткими текстами. Она предсказывает, следует ли один текст из другого, и подходит для классификации без заранее заданного набора классов: пользователь задаёт возможные метки, а модель оценивает их применимость к тексту. Модель построена на архитектуре BERT и содержит 12,1 млн параметров. Она принимает пары текстов, поддерживает русский язык и обрабатывает последовательности длиной до 512 токенов. Модель рассчитана на задачи NLI и zero-shot-классификации; её компактный размер подходит для сценариев, где важны небольшие вычислительные затраты. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Модель обучалась на русскоязычном наборе данных NLI; предсказания для длинных текстов или задач за пределами классификации логических отношений могут быть ненадёжны.

BlossomsAI разработала Sailor2-8B-Chat-Uncensored на основе sail/Sailor2-8B-Chat: в модели применены направленные интервенции, изменяющие поведение отказа. Это плотная авторегрессионная модель семейства Qwen2 для диалогов и генерации текста; размер составляет 8 млрд параметров, контекст — до 32 768 токенов. Карточка базовой модели указывает особую ориентацию на языки Юго-Восточной Азии; метаданные этой модели отмечают английский и вьетнамский языки. Модель подходит для чат-ботов и генерации текстовых ответов. README также сообщает о квантованных вариантах в формате GGFU для экономичного развёртывания, а метаданные репозитория указывают на наличие весов safetensors. Лицензия — MIT. Изменение поведения отказа может повысить вероятность выдачи ответов на запросы, которые базовая модель отклоняла.

Sarvam-Translate — модель перевода, разработанная Sarvam AI совместно с AI4Bharat на базе Gemma 3 4B IT. Она предназначена для контекстного перевода документов целиком между 22 официальными языками Индии и английским, а не только отдельных предложений. Поддерживает входные материалы с разметкой Markdown, текст после OCR, математическими и химическими формулами, а также кодовые файлы, где переводятся комментарии. Модель использует плотную архитектуру Gemma 3 и доступна в формате safetensors для Transformers. README указывает максимальный контекст 8 тысяч токенов. Модель ориентирована на сохранение контекста, формата и стиля, включая формальный и неформальный тон и корректную гендерную атрибуцию. Лицензия репозитория — GPL-3.0.

Stern5497/sbert-legal-xlm-roberta-base — модель Sentence-Transformers на архитектуре RoBERTa, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Разработчик указал, что модель подходит для кластеризации и семантического поиска; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит 211,6 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно использовать через Sentence-Transformers либо через Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Название указывает на юридическую специализацию, однако README не описывает обучающие данные или конкретные правовые сценарии, поэтому качество в них по предоставленной карточке оценить нельзя. Лицензия в имеющихся данных не указана.

hypn05 разработала Secrets Sentinel xsmall-c2p-v1 — экспериментальную англоязычную модель для бинарной классификации строк кода и конфигураций на наличие секретов. Она основана на microsoft/deberta-v3-xsmall и дообучена на наборе data_v10. Архитектура DeBERTa-v2 для классификации последовательностей использует только компонент позиционного внимания c2p; модель содержит 77,5 млн параметров по метаданным, а длина контекста составляет 512 токенов. Модель предназначена для поиска ключей и других секретов в репозиториях, например в проверках pre-commit, GitHub Actions и pre-receive hooks. В README заявлена скорость примерно в 5,3 раза выше базового варианта, однако на коротких идентификаторах Terraform отмечены ложные срабатывания. Автор рекомендует использовать эту версию для исследований и сравнения скорости, а для production — xsmall-v1. Лицензия MIT.