I.14Автоматизация процессов и AI-агенты

Zigeng/R1-VeriThinker-7B — языковая модель исследовательской группы xML Lab Национального университета Сингапура, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Модель предназначена для генерации рассуждений и проверки корректности цепочек рассуждений; обучение на вспомогательной задаче верификации помогает сокращать избыточные шаги самоанализа. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. В экспериментах авторов она сокращала длину рассуждений на задачах MATH500 и AIME25 при сохранении или небольшом повышении точности; также описано применение для ускорения спекулятивных рассуждений. Доступны веса в формате safetensors, библиотека Transformers, интерфейс чата и интерфейс вызова инструментов. Лицензия — MIT.

Realtime-Venus-Omni-heretic-ARA — производная модель justsumguy на основе inclusionAI/Realtime-Venus, которая, в свою очередь, дообучена на openbmb/MiniCPM-o-4_5. Это плотная мультимодальная архитектура RealtimeVenusOmni с 7,6 млрд параметров и контекстом до 40 960 токенов. Веса BF16 сохранены в формате safetensors; репозиторий также содержит ONNX-файлы. Модель предназначена для потокового аудиовизуального диалога в реальном времени: принимает текст, изображения, аудио и видео, а также может выдавать текст и речь. В этой версии применена abliteration языковой башни, направленная на снижение частоты отказов; визуальная и аудиобашни, синтез речи и связанные компоненты оставлены без изменений. Карточка сообщает о 4 отказах из 100 в повторной проверке после изменения весов. Модель поддерживает чат и интерфейс вызова инструментов. Для работы требуется Transformers с удалённым кодом; автор приводит пример загрузки через trust_remote_code. BF16-веса занимают около 18,7 ГБ и не помещаются на видеокарту с 16 ГБ памяти; автор предлагает сборку NVFP4 или NF4-квантизацию языковой части. Лицензия — Apache-2.0.

Anonymizer-4B — языковая модель из серии Enchanted anonymizer, предназначенная для замены персональных данных на семантически похожие значения, чтобы повысить приватность пользовательских данных. Разработчик — eternisai. Модель описана как основной анонимизатор в Enchanted и предназначена также для сценариев, где важна высокая точность анонимизации, включая корпоративные внедрения и исследования. Модель основана на плотной архитектуре Qwen3ForCausalLM семейства Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; карточка показывает интерфейс чата и примеры замены сущностей с выдачей структурированных пар «исходное значение — замена». Заявленная лицензия — CC-BY-NC-4.0, допускающая использование с ограничениями на коммерческое применение.

hsmehta012/functiongemma-270m-it-simple-tool-calling — дообученная модель Google FunctionGemma 270M IT, подготовленная с помощью TRL. Это плотная текстовая причинная языковая модель семейства Gemma 3 Text с 257 млн параметров и контекстом до 32 768 токенов. Карточка показывает запуск через Transformers для генерации текста в диалоге; метаданные также отмечают поддержку чата и вызова функций как назначение базовой модели. Модель подходит для создания ответов и специализированных локальных агентов с простым вызовом инструментов. В README приведён пример обычного диалогового запроса, но подробности обучения, набор данных и результаты оценки не описаны. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

OpenMed разработала эту модель для обнаружения и классификации персональных данных в португальских текстах. Это BERT-модель для классификации токенов, дообученная на базе emilyalsentzer/Bio_Discharge_Summary_BERT; в метаданных указано 135,5 млн параметров, формат safetensors и контекст до 512 токенов. Она размечает 54 типа чувствительных сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые данные. Модель предназначена для выявления PII в клинических заметках, медицинских документах и других текстовых коллекциях перед обезличиванием, подготовкой данных к исследованиям и проверками конфиденциальности. В README приведена оценка micro F1 0,8782 на португальском тестовом наборе, объединяющем AI4Privacy и синтетические данные; заявлены примеры с бразильскими форматами, включая CPF и телефоны с кодом +55. Модель лучше всего подходит для португальского текста. Возможны пропуски персональных данных, а качество может меняться в зависимости от терминологии и предметной области, поэтому результаты требуют проверки человеком, особенно в критичных сценариях. Лицензия — Apache-2.0.

Aaron757/Qwen2.5-7B-Instruct-v9-mixed-SFT — дообученная методом полного SFT модель Qwen2.5-7B-Instruct, созданная с помощью LLaMA-Factory. Чекпойнт выбран из экспериментов с профилями пользователей, интерпретацией обратной связи и исправлением ответов; он содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для трехэтапного диалогового конвейера: извлечения структурированного профиля из истории пользователя, интерпретации запроса, ответа и обратной связи в пяти полях, а затем подготовки скорректированного ответа на основе профиля и интерпретации. В оценке на отложенной выборке из 100 пользователей она превзошла исходный чекпойнт по метрикам всех трех этапов; результаты относятся ко всему конвейеру и не показывают отдельный причинный эффект профиля. Модель обучена преимущественно на англоязычных данных обратной связи, полученных из WildChat. Она специализирована под точные структурированные промпты этого конвейера, поэтому прямые запросы на генерацию ответа могут не соответствовать обучающему распределению. Метки для интерпретации были псевдометками, созданными моделью и прошедшими проверку конвейера, а не подтвержденными людьми; корректность профиля и интерпретации следует проверять по предоставленным данным. Лицензия — Apache-2.0.

sokudan-ja-310m — японская модель принятия решений System One от GeneLab. Она принимает японский текст как состояние и типизированные вопросы форматов choice, score и bool, а затем за один проход возвращает ответы соответствующих типов и вероятности без генерации текста. В основе лежит дообученная sbintuitions/modernbert-ja-310m; модель содержит около 314,6 млн параметров. Выпуск v0.2 создан усреднением весов восьми запусков обучения, а v0.2.1 использует те же веса и включает температурную калибровку ответов bool по умолчанию. Модель предназначена для классификации, выбора среди вариантов и оценки вероятности заданных свойств японского текста, например для маршрутизации или структурированных решений по текстовому состоянию. В описанных испытаниях на японском языке показатели выбора и порядковой оценки были выше базовых, а калибровка bool улучшала ECE. Для английского языка качество bool близко к большинству классов, поэтому авторы не рекомендуют использовать там вопросы типа bool. Калибровка score и choice по умолчанию не применяется: испытания показали ухудшение соответствующих метрик при её включении. Модель доступна под лицензией Apache-2.0. Для Apple Silicon поддерживается запуск через MLX, а также доступны другие бэкенды через пакет sokudan. Приведённые метрики получены на наборах bench_ja и bench_en; часть результатов для soup измерена однократно, а подбор и оценка held-out показателей использовали один и тот же набор, что может завышать результат. Длина контекста в карточке не приведена.

aviai-e4b — модель wdenejko, дообученная на Gemma 4 E4B Instruct для преобразования авиационных сообщений в структурированные данные. Она принимает текстовые METAR и TAF и формирует канонический JSON, извлекает сведения из NOTAM в строки по категориям и классифицирует NOTAM по одному из 13 операционных классов. Модель предназначена для вспомогательного разбора авиационных сводок и прогнозов, а не для принятия решений в полёте. Модель основана на плотной архитектуре Gemma 4 E4B. Дообучение выполнено методом LoRA ранга 16 на текстовой части модели; адаптер объединён с базовыми весами. Репозиторий содержит чекпойнт Transformers в bf16 и варианты GGUF в F16 и Q8_0. Сохранённые аудио- и визуальные компоненты базовой модели не дообучались: aviai-e4b обучали и оценивали как текстовую модель. Она рассчитана на английские входные данные в формате ICAO. Для заявленных задач автор приводит результаты тестирования на отложенных наборах METAR, TAF и NOTAM; качество зависит от точного соблюдения шаблонов запросов из репозитория и параметров декодирования. Для длинных TAF нужен бюджет не менее 2048 токенов, а при извлечении данных из длинных NOTAM возможны некорректные результаты. Это исследовательская модель, не сертифицированная для авиационного применения; результаты следует независимо проверять. Лицензия — Apache-2.0.

CS221DoAn разработала Do_an_group_mBERT — модель распознавания именованных сущностей, дообученную для классификации токенов на основе многоязычного BERT (mBERT). Она предназначена для извлечения сведений из неструктурированных вьетнамских сообщений и заказов еды, включая названия блюд, количества и пожелания к заказу. Модель использует архитектуру BERT с 205,1 млн параметров, принимает текст, работает с контекстом до 512 токенов и сохраняет метки сущностей в схеме BIO. В README сообщается о Macro F1 0,9880 на отложенной тестовой выборке из 233 сообщений. Модель рассчитана на короткие сообщения из сферы доставки еды, в том числе с сокращениями, разговорным написанием и пропущенными диакритическими знаками. Для токенизации используется WordPiece; предварительная сегментация текста через VnCoreNLP не требуется. Авторы отмечают, что разбиение составных вьетнамских слов может затруднять распознавание границ сущностей по сравнению с PhoBERT. Лицензия в предоставленных данных не указана.

Український TTS-нормалізатор — компактна текстова модель на архітектурі Gemma 3, розроблена автором репозиторію skypro1111 і донавчена на базі google/gemma-3-270m-it. Вона перетворює письмовий український текст на форму, зручну для подальшого синтезу мовлення: розгортає числа, дати, час, суми, одиниці виміру, скорочення, коди, телефони та інші записи відповідно до контексту й граматичного узгодження. Модель призначена для нормалізації тексту реченнями перед подачею в TTS. Репозиторій містить ваги safetensors у bf16, GGUF у F16 та експорт ONNX із KV-кешем; метадані вказують на 113,9 млн параметрів і контекст 32 768 токенів. Для голих послідовностей цифр і довгих чисел потрібні два детерміновані кроки препроцесингу з репозиторію. Ліцензія — Gemma. Сильні сторони — читання числівників із контекстним відмінюванням, узгодження з іменниками та нормалізація часу й дат; автор повідомляє високі результати на власних тестових наборах. Обмеження включають слабшу транслітерацію невідомих англійських слів, помилки на деяких технічних і наукових записах та обробку лише одного речення за раз. Для послідовної роботи потрібні сегментація на речення та рекомендований препроцесинг.

Gen-Searcher-SFT-8B — промежуточная мультимодальная модель для агента Gen-Searcher, представленная в работе Gen-Searcher: Reinforcing Agentic Search for Image Generation. Это дообученная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; репозиторий содержит веса в формате safetensors. Модель предназначена для агентного поиска в интернете и по визуальным источникам: она просматривает свидетельства, сопоставляет несколько источников и собирает знания для последующей генерации изображений в реальных сценариях. Этот SFT-чекпойнт подготовлен как этап перед дальнейшим обучением с подкреплением методом GRPO и двойной обратной связью по вознаграждению. В статье описаны датасеты Gen-Searcher-SFT-10k и Gen-Searcher-RL-6k, а также бенчмарк KnowGen; авторы сообщают об улучшениях более чем на 15 пунктов на KnowGen и WISE и о переносимости на разные генераторы изображений. Лицензия репозитория — Apache-2.0. README характеризует модель как промежуточный этап обучения, поэтому её готовность для самостоятельного производственного применения не подтверждена.

NVIDIA gpt-oss-120b-Eagle3-throughput — вспомогательный модуль Eagle3 для ускорения авторегрессионной генерации в модели OpenAI gpt-oss-120b. Он использует спекулятивное декодирование: предлагает один токен-кандидат, который базовая модель проверяет при генерации. Модуль рассчитан на высокую пропускную способность, сохраняет высокую долю принятых токенов при длинном контексте и предназначен для запуска с TensorRT-LLM на системах с GPU NVIDIA; заявлена совместимость с Blackwell. Метаданные указывают 739,4 млн параметров и контекст 131 072 токена. Сценарии применения включают ускорение чат-ботов, AI-агентов, RAG-систем и других приложений на базе gpt-oss-120b, а также обычное следование инструкциям. README приводит результаты оценки доли принятых токенов на MT-Bench при длине черновика 1. Это вспомогательный чекпойнт, а не самостоятельная замена базовой модели: для работы нужны gpt-oss-120b и поддерживающий Eagle3 режим инференс-движок. Модель оптимизирована для NVIDIA GPU; условия лицензии обозначены как other, поэтому перед использованием необходимо проверить лицензионные условия репозитория. В метаданных указана библиотека Model Optimizer и формат safetensors; README сообщает о квантизации с nvidia-modelopt версии 0.35.0.

Модель разработана FAIR Data Innovations Hub при California Medical Innovations Institute для извлечения метаданных из текста научных конференционных постеров. Она преобразует исходный текст постера в структурированный JSON по схеме poster-json-schema на основе DataCite, дополненной сведениями о конференции, разделами содержания и подписями к рисункам и таблицам. Модель служит основой библиотеки poster2json и ориентирована на подготовку постеров к поиску, доступу, совместному использованию и повторному использованию данных. Это дообученная dense-модель семейства Llama 3.1 на базе meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Принимает текст и генерирует текст с JSON-метаданными; карточка указывает английский язык. В проверке на 10 вручную размеченных постерах заявлены 100% прохождения и метрики Word Capture 0,96, ROUGE-L 0,89 и Number Capture 0,93; небольшая выборка не гарантирует таких же результатов на других документах. Для запуска рекомендуются NVIDIA GPU с не менее чем 16 ГБ видеопамяти и 32 ГБ RAM; поддерживается 8-битная квантизация, а также vLLM и другие средства оптимизации инференса. Лицензия — Llama 3.1.

shahrukhx01/roberta-base-boolq — англоязычная модель классификации текста на базе архитектуры RoBERTa. В репозитории указаны 151,8 млн параметров и класс RobertaForSequenceClassification; модель выдаёт метку «YES» или «NO». Она предназначена для бинарной классификации ответов на вопросы формата BoolQ: по входному тексту определить, соответствует ли ответ «да» или «нет». Контекст модели составляет 514 токенов. Модель подходит для автоматической проверки бинарных ответов на английском языке и классификации текста по меткам «YES»/«NO». Доступны веса PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя.

tomofi/trocr-captcha — модель распознавания текста на изображениях CAPTCHA, основанная на архитектуре VisionEncoderDecoderModel и опубликованная на Hugging Face. В карточке указана метрика CER 0,0019; подробности набора данных и условий оценки не приведены. Модель принимает изображение и выдаёт текст. Репозиторий содержит веса PyTorch, а лицензия — MIT. README содержит лишь метрику и упоминание кода обучения, поэтому область применимости и качество на CAPTCHA других типов по этим данным оценить нельзя.

halilatasoy разработал компактную турецкоязычную модель на базе Google Gemma 3 270M IT для обнаружения и маскирования персональных данных. Это плотная авторегрессионная текстовая модель с 257 млн параметров, контекстом до 32 768 токенов и интерфейсом диалога; она принимает инструкции и текст, а в ответ формирует замаскированный текст. Модель дообучена целиком на 24 000 синтетических примеров банковских и ERP-текстов и поддерживает 53 метки PII, включая режимы полного маскирования, белого и чёрного списков и исключения заданных категорий. В опубликованном тесте из 1000 строк точное совпадение составило 0,882, а при нейтральной к схеме оценке — 0,902. Результаты получены на синтетических данных и не подтверждают качество на реальных пользовательских текстах; на сложных примерах, например с несколькими людьми или длинными записями, качество ниже. Модель может выдавать метки вне заданной схемы, поэтому README рекомендует проверять их по списку из 53 меток. Лицензия — Gemma Terms of Use; ответственность за соблюдение KVKK/GDPR лежит на пользователе.

boltuix/bert-mini — компактная англоязычная модель семейства BERT, основанная на google-bert/bert-base-uncased и дообученная разработчиком для задач обработки текста. В README заявлена архитектура из 4 слоёв со скрытым размером 128 и 4 головами внимания; метаданные указывают около 5 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для предсказания пропущенных токенов и классификации текста, включая определение намерений. Компактный размер и работа без подключения к сети подходят для локального использования на мобильных и периферийных устройствах. README также упоминает распознавание именованных сущностей и семантический поиск, но карточка не приводит отдельной оценки качества для этих сценариев. В README заявлена лицензия MIT, разрешающая коммерческое, личное и исследовательское применение. Приведённые там результаты оценки прямо обозначены как гипотетические, поэтому они не подтверждают фактическую точность модели.

CeLLaTe-ner-2class-reinitllrd-pubmedbert-tapt-tokenizer-adapted-spanmask-gazetters-lr_3.375 — англоязычная BERT-модель для классификации токенов, разработанная Mardiyyah. Она дообучена на наборе OTAR3088/CeLLaTe-ner-2class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и предназначена для извлечения именованных сущностей из текста с разметкой IOB в двух классах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. На оценочном наборе указаны micro F1 0,7816, precision 0,7920 и recall 0,7715. Эти показатели относятся к указанному набору данных; карточка не уточняет названия извлекаемых типов сущностей и ограничения применения.

jvjmoura/joaollmmoura — дообученная мультимодальная модель семейства Gemma 4, разработанная jvjmoura на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL из Hugging Face. Она предназначена для диалоговых сценариев, в которых нужно обрабатывать текст и изображения и формировать текстовые ответы; в метаданных также отмечен интерфейс вызова инструментов. Модель использует плотную архитектуру Gemma4ForConditionalGeneration, распространяется в формате safetensors и имеет лицензию Apache-2.0. Карточка не описывает специализацию дообучения, размер модели, длину контекста или результаты оценки качества. Для поддерживаемых сценариев и качества ответов требуется практическая проверка.

LFM2-1.2B-Tool-GGUF — это квантованные версии языковой модели LFM2-1.2B-Tool, разработанной LiquidAI и преобразованные в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и сценариев, связанных с использованием инструментов, однако точный формат промптов в README не указан. Размер базовой модели составляет 1,2 млрд параметров; доступны варианты от BF16 до различных уровней квантования размером примерно от 0,52 до 2,34 ГБ. Модель можно запускать локально через LM Studio, llama.cpp и другие совместимые проекты. Основное преимущество набора — широкий выбор квантований, позволяющий подобрать баланс между качеством и потреблением памяти; варианты Q6 и Q5 заявлены как высококачественные, а Q3 и Q2 подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество. Архитектура, поддерживаемые языки, размер контекстного окна и лицензия в представленном README не указаны.

Extract-0.6B — компактная мультимодальная модель восприятия из двухэтапной системы Extract+Think, описанной в работе «Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models». Она построена на архитектуре LlavaQwen3ForCausalLM и объединяет Qwen3-0.6B с визуальным энкодером SigLIP SO400M. Размер модели — около 508 млн параметров, контекст — до 40 960 токенов. Модель предназначена для извлечения из изображения деталей, важных для инструкции, и передачи полученных сведений отдельной модели этапа рассуждения. Вариант обучен с нуля в рамках визуальной настройки на извлечение, без предварительной визуальной настройки по инструкциям или обучения описанию изображений. В README упоминается оценка через lmms-eval. Лицензия в предоставленных данных не указана.

ezb/NSFW-Prompt-Detector — модель классификации текста, опубликованная пользователем ezb на Hugging Face. Карточка демонстрирует её использование как text-classification и указывает архитектуру DistilBERT для классификации последовательностей; модель предназначена для обнаружения NSFW или неподходящих текстовых промптов, например перед их передачей генератору изображений. Поддерживаемый язык по тегам карточки — английский, а максимальная длина контекста по метаданным — 512 токенов. Репозиторий содержит веса PyTorch и safetensors. В конфигурации указан путь Zlatislav/NSFW-Prompt-Detector, что указывает на происхождение от этой модели; сведения о лицензии доступны в метаданных карточки как license: other. Карточка не приводит оценок качества или подробных ограничений, поэтому надёжность детекции за пределами заявленного сценария установить нельзя.

OpenMed Arabic Clinical PII — XLM-RoBERTa-base (LoRA) — это модель команды OpenMed для выявления и разметки персональных данных в арабских клинических записях. Она распознаёт шесть типов сущностей: пациента, врача, больницу, дату, телефон и идентификатор. Модель построена на XLM-RoBERTa-base с LoRA-адаптером и классификационной головой; в репозитории указаны 305,2 млн параметров и контекст до 514 токенов. Модель принимает арабский текст и выдаёт разметку токенов. Модель предназначена для удаления идентифицирующих данных из клинических заметок, выписок, консультаций, лабораторных и радиологических отчётов перед исследованием, аналитикой или передачей текста во внешние LLM-сервисы. В README сообщается о высоких результатах на синтетической тестовой выборке и проверке на шести написанных вручную примерах, но авторы подчёркивают, что нужна оценка на размеченных реальных клинических данных. Обучение версии 1 использовало только синтетические данные с ограниченным числом шаблонов, поэтому модель не должна служить единственным средством соблюдения требований к защите данных. Лицензия — Apache-2.0.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-1e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

alphakek/Qwen3.8-27B-heretic-ara-DFlash2 — черновая модель DFlash 2, дообученная на базе heretic-org/Qwen3.8-27B-heretic-ara для ускорения генерации текста методом speculative decoding. Она принимает скрытые состояния целевой модели и предназначена только для совместного использования с этим чекпойнтом; для обычной Qwen3.8-27B в карточке указана другая черновая модель. Модель основана на архитектуре Qwen3 и классе DFlash2DraftModel, имеет 2,9 млрд параметров и контекст 262 144 токена. По результатам приведённого в карточке теста на конкретной конфигурации vLLM она показала более высокую скорость генерации и длину принятого спекулятивного блока по сравнению с исходным черновиком; эти результаты относятся к описанному стенду и не гарантируют такой же прирост в других условиях. Для запуска требуется реализация DFlash2 в vLLM. Лицензия — Apache-2.0.

ByT5-Small Polish Text Normalization — модель компании Folx, дообученная на базе google/byt5-small для нормализации польского текста. Она преобразует даты, числа, цены, время, адреса и сокращения в полные словесные формы, пригодные для чтения и произношения. Модель предназначена прежде всего для подготовки текста к синтезу речи, а также для голосовых помощников, экранных дикторов, аудиокниг и автоматизированных объявлений. Это текстовая модель семейства T5 на байтовой архитектуре ByT5; в README указан размер около 300 млн параметров. Карточка описывает обучение на парах польского текста для нормализации; лицензия — MIT. Модель ориентирована на польский язык. По README, качество может снижаться на редких сокращениях и узкоспециальных терминах; для критичных сценариев результат рекомендуется проверять. На очень длинных текстах свыше примерно 512 токенов качество может варьироваться.

Disty0/Florence-2-base-PromptGen-v2.0 — совместимая с Hugging Face Transformers версия дообученной модели Florence-2, опубликованная автором Disty0. Она принимает изображение и формирует текст, в частности описания изображений, теги и композиционные подсказки для подготовки промптов Flux. Модель использует архитектуру Florence-2 для генерации текста по изображению. Репозиторий содержит веса в формате safetensors; модель загружается через Transformers и предназначена для задач vision с выводом текста. Модель может быть полезна для автоматического описания изображений и подготовки текстовых промптов по визуальному содержимому. Подробности о поддерживаемых языках, размере и длине контекста в предоставленных данных отсутствуют. Лицензия — MIT.

GPT 5.6 Sol Undecillion 6U5GO5 — модель Oroboros Labs в формате GGUF, представленная как мультимодальная модель с поддержкой понимания изображений, диалога и использования инструментов. В карточке также заявлен видеодвижок, но подробности о поддерживаемых видеовходах и его работе не приведены. Модель предназначена для локальных экспериментов и исследовательских сценариев с изображениями, инструментами и агентными рабочими процессами; для запуска указан Ollama. Размер параметров, длина контекста, базовая модель и языки обучения не описаны. Метаданные отмечают поддержку английского, китайского, японского, корейского, русского, испанского, французского, немецкого, португальского и итальянского языков. Лицензия отсутствует, поэтому условия использования не определены.

Kimi-K2.5-DFlash — вспомогательная модель-черновик от z-lab для метода ускоренного декодирования DFlash. Она использует компактную блочную диффузионную модель для параллельной подготовки кандидатов, которые затем проверяет целевая модель moonshotai/Kimi-K2.5. Модель предназначена для ускорения генерации текста при работе с этой целевой моделью, в том числе в длинных контекстах и агентных сценариях; отдельно от неё модель-черновик не предназначена для использования как самостоятельный генератор. Модель построена на архитектуре Qwen3, имеет 4,2 млрд параметров, принимает текст и рассчитана на контекст до 262 144 токенов. В README приведены результаты пропуска предложенных токенов для математических задач и генерации кода, а также показатели пропускной способности; они получены в конфигурации SGLang и не гарантируют такой же прирост в других условиях. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

Lemone-Router-S — модель классификации текста, разработанная Louis Brulé Naudet для маршрутизации запросов по направлениям французского налогового права. Она дообучена на базе multilingual-e5-base и использует архитектуру BERT с классификационной головой; размер составляет 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель рассчитана на французские тексты и размечает запросы по восьми категориям, соответствующим тематическим ветвям налогового законодательства. Модель предназначена для распределения налоговых вопросов между специализированными компонентами многоагентной системы, а также для классификации обращений и навигации по французским налоговым материалам. В README указаны точность 0,9061 и loss 0,4446 на оценочном наборе. Она опубликована под лицензией Apache-2.0. Качество может отличаться на запросах за пределами французского налогообложения и категорий, использованных при обучении.