I.14Автоматизация процессов и AI-агенты

unsloth/DeepSeek-OCR — адаптированная для запуска и дообучения через актуальные версии Transformers копия DeepSeek-OCR, опубликованная Unsloth. В README указано, что изменения обеспечивают совместимость с Transformers и не влияют на точность. Это плотная мультимодальная модель семейства DeepSeek-VL-v2 с архитектурой DeepseekOCRForCausalLM и примерно 559,7 млн параметров. Модель предназначена для распознавания текста и извлечения содержимого из изображений документов. Она принимает изображения и текстовые инструкции, а результат выдаёт в текстовой форме; среди поддерживаемых задач также указана генерация текста. Контекст модели составляет 8192 токена, а карточка помечает её как многоязычную. Модель можно запускать и дообучать через Transformers; README также упоминает поддержку vLLM для ускорения инференса и обработки PDF. Репозиторий содержит веса safetensors. Лицензия — MIT. README не приводит подробных оценок качества или перечня поддерживаемых языков.

Builder117/distilbert-indirect-injection — дообученный классификатор на базе DistilBERT для поиска косвенных prompt injection-атак в содержимом, которое получает LLM. Модель разработана Builder117 и предназначена для предварительной проверки извлечённых документов в RAG-системах, страниц для веб-агентов и материалов для систем вопросов и ответов по документам. Архитектура — DistilBertForSequenceClassification; модель присваивает тексту одну из двух меток: CLEAN для обычного содержимого или INDIRECT для обнаруженной атаки. Она распознаёт скрытые инструкции в комментариях HTML/CSS, текстах документов, полях JSON и метаданных, а также команды, замаскированные пробелами. Базовая модель — distilbert-base-uncased; контекст ограничен 512 токенами. Модель принимает и классифицирует текст на английском языке. Лицензия — Apache-2.0. Классификатор помогает фильтровать содержимое перед передачей языковой модели, но может пропустить инструкции в конце документа, обрезанного до 512 токенов, и новые способы маскировки, отсутствовавшие в обучающих данных. Для лучшего покрытия README рекомендует проверять каждый извлечённый фрагмент отдельно.

Adaptive Classifier — классификатор типов документов на основе answerdotai/ModernBERT-base, опубликованный под идентификатором adaptive-classifier/document-type. Модель использует эмбеддинги размерности 768 и поддерживает непрерывное обучение с добавлением новых классов. В карточке описаны пять классов: договор, электронное письмо, счёт, служебная записка и отчёт; для каждого приведено по пять примеров. Модель предназначена для классификации текстов документов и сценариев, где набор категорий может изменяться со временем. Прототипы классов обновляются каждые 10 примеров. Для каждого класса требуется не менее трёх примеров; поддерживается не более 150 примеров на класс. Файлы модели представлены в формате safetensors, лицензия — Apache-2.0.

philschmid/donut-base-finetuned-cord-v2 — форк модели Donut, подготовленный для демонстрации работы моделей Donut с Hugging Face Inference Endpoints. Это модель архитектуры vision-encoder-decoder: визуальный энкодер Swin Transformer преобразует изображение документа в представление, а текстовый декодер BART генерирует текст по этому представлению. Модель дообучена на наборе CORD для распознавания и структурированного извлечения данных из изображений чеков без отдельного OCR-этапа. Модель подходит для извлечения текста и полей из чеков и для обработки изображений документов через endpoint. В репозитории указаны веса PyTorch и лицензия MIT. Карточка описывает базовый размер модели, но не приводит число параметров или длину контекста.

ELYZA-Thinking-1.0-llm-jp-4-32b-a3b — языковая модель ELYZA, дообученная на базе llm-jp/llm-jp-4-32b-a3b-base. Это модель семейства Qwen3 MoE для генерации текста с рассуждениями и следованием инструкциям; в карточке указаны 2,9 млрд параметров и контекст 65 536 токенов. Обучение включало промежуточное обучение, SFT и обучение с подкреплением по проверяемым результатам. Модель рассчитана прежде всего на японский язык, также поддерживает английский. В README описаны сценарии решения математических и STEM-задач, программирования, ответов на вопросы о японских знаниях, выполнения сложных инструкций и использования инструментов. Для запуска рекомендованы vLLM или Transformers; лицензия — Apache-2.0.

FireRed-OCR — специализированная модель для распознавания текста и структурного разбора документов по изображениям, разработанная FireRedTeam на базе Qwen3-VL-2B-Instruct. Модель преобразует страницы документов в структурированный Markdown и нацелена на сохранение порядка строк, таблиц, формул и иерархии разделов. Модель дообучена поэтапно: для пространственного выравнивания, специализированного формирования Markdown и оптимизации формата с помощью GRPO. В README заявлен результат 92,94% на OmniDocBench v1.5 и устойчивость к сложным и нестандартным макетам. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. FireRed-OCR предназначена для оцифровки документов и извлечения их структуры. Карточка не сообщает поддерживаемые естественные языки или длину контекста. Авторы запрещают использовать проект для обработки незаконного, порнографического, вредоносного, порочащего или нарушающего приватность контента.

GLM-4.5V — мультимодальная модель зрения и языка семейства GLM-V, разработанная ZhipuAI. Она основана на GLM-4.5-Air — текстовой модели с 106 млрд параметров и 12 млрд активных параметров — и дообучена для работы с визуальными данными. Модель предназначена для понимания изображений, видео и документов, визуальных рассуждений и взаимодействия с графическими интерфейсами. Модель анализирует сцены и несколько изображений, распознаёт события в длинных видео, разбирает графики и документы, читает экран и помогает выполнять операции в GUI. Также поддерживается локализация визуальных объектов с выдачей ограничивающих рамок. Режим Thinking позволяет выбирать между быстрым ответом и более глубоким рассуждением. Карточка заявляет высокие результаты на 42 публичных бенчмарках VLM; контекст, число параметров самой GLM-4.5V и поддерживаемые разрешения для этой версии в предоставленных данных не указаны. Модель принимает визуальные данные и текстовые запросы, а отвечает текстом, в том числе координатами рамок. Лицензия — MIT.

GLM4.7-Distill-LFM2.5-1.2B — компактная плотная языковая модель на архитектуре Liquid AI LFM2, разработанная автором репозитория на основе LiquidAI/LFM2.5-1.2B-Instruct. Модель содержит около 1,5 млрд параметров по метаданным (в README указано 1,2 млрд) и обучена методом офлайн-дистилляции: для обучения использовались синтетические ответы GLM-4.7 и открытые наборы инструкций. Учитель не нужен при запуске, а цепочки рассуждений в модель не включены. Модель предназначена для диалогового помощника, следования инструкциям, планирования и разбиения задач, суммаризации, объяснений, лёгкой помощи с кодом и агентных сценариев, включая локальный запуск на периферийных устройствах. Заявлены контекст до 128 000 токенов и поддержка английского языка; метаданные также указывают интерфейс для вызова инструментов. Модель ориентирована на краткие ответы и совместима с Transformers и safetensors. Автор предупреждает, что модель может галлюцинировать, ошибаться в сложных логических выводах и уверенно отвечать при недостатке оснований; она не подходит для актуальных событий и критически важных медицинских, юридических или безопасностных решений без проверки. Лицензия — Apache-2.0.

RadicalNotionAI/GLM-4.7-heretic — текстовая разговорная модель на архитектуре GLM-4 MoE с 23,4 млрд параметров. Это производная GLM-4.7 от zai-org, созданная методом abliteration: в карточке приведены параметры этой обработки и сравнение отказов с исходной моделью. Модель предназначена для диалога, программирования, рассуждений, работы с инструментами и агентных сценариев; метаданные указывают интерфейс вызова инструментов. Поддерживаются английский и китайский языки, контекст составляет 202 752 токена. Модель распространяется в формате Safetensors по лицензии MIT. В README для этой версии сообщается о 0 отказах из 100 проверок против 99 из 100 у исходной GLM-4.7. Это указывает на существенно ослабленное поведение отказа, но не подтверждает общую точность или безопасность ответов. Доступны инструкции по локальному запуску через Transformers, vLLM и SGLang; для агентных задач README рекомендует режим Preserved Thinking.

Gorilla-7b-hf-delta-v1 — авторегрессионная языковая модель на архитектуре LLaMA, разработанная Gorilla LLM при UC Berkeley и дообученная для вызова API Hugging Face. По запросу на естественном языке она генерирует синтаксически и семантически корректные фрагменты кода для API; карточка также описывает подход Gorilla к снижению галлюцинаций при выборе вызовов. Модель содержит 6,6 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов; заявленный язык — английский. Модель предназначена для генерации кода вызовов API и интеграции API Hugging Face в рабочие процессы. В качестве примеров приведены запросы на перевод текста и обнаружение объектов на изображении, для которых Gorilla формирует код API. Это генератор кода для вызова инструментов, а не самостоятельная модель перевода или распознавания изображений. Модель распространяется по лицензии Apache 2.0.

H2OVL-Mississippi-800M — компактная мультимодальная модель зрения и языка от H2O.ai с 0,8 млрд параметров. Она построена на архитектуре языковых моделей H2O-Danube и предназначена для диалога и извлечения текстовой информации из изображений. Модель обучена на 19 млн пар «изображение—текст» с упором на распознавание текста, понимание документов, а также интерпретацию диаграмм, рисунков и таблиц. Она ориентирована на OCR и обработку документов; карточка сообщает о сильных результатах в распознавании текста, включая Text Recognition в OCRBench. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы, например извлечённые сведения или структурированное представление содержимого изображения. В репозитории указана лицензия Apache-2.0. Как и другие генеративные модели, она может выдавать ошибочные или нерелевантные ответы; результаты распознавания следует проверять.

InternVL3.5-241B-A28B — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает зрительный модуль с языковой моделью и предназначена для диалогов по изображениям и тексту, мультимодальных рассуждений и агентных сценариев, включая взаимодействие с графическим интерфейсом. В метаданных указаны 241B параметров в названии модели и архитектура InternVLChatModel; модель работает через Transformers и хранится в формате safetensors. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной настройки разрешения визуальных токенов. В README описано разделение зрительной и языковой частей при развёртывании, чтобы повысить эффективность вывода. Модель заявлена как мультиязычная; конкретный список языков и длина контекста в предоставленных данных не приведены. Модель подходит для вопросов по изображениям, визуального и текстового рассуждения, OCR-подобных задач, понимания видео и агентного взаимодействия. Для развёртывания варианта на 235B параметров README указывает необходимость восьми GPU A100, поэтому для этой версии требуются значительные вычислительные ресурсы. Лицензия — Apache 2.0; в метаданных базовой моделью указана OpenGVLab/InternVL3_5-241B-A28B-MPO.

Kiel-2-VQA — мультимодальная модель для понимания изображений и диалоговых запросов, разработанная KielTech на основе архитектуры Qwen2.5-VL и дообученная на базе unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit. Модель принимает изображения вместе с текстовыми вопросами и формирует текстовые ответы; она предназначена для визуального поиска информации и анализа содержимого изображений. Модель ориентирована на ответы на вопросы по фотографиям, диаграммам, интерфейсам и иллюстрациям, разбор документов, таблиц и графиков, извлечение текста методом OCR и определение координат объектов и визуальных элементов. В карточке заявлены высокая точность распознавания текста и экономичный инференс благодаря 4-битной оптимизации BNB NF4. Архитектура — Qwen2_5_VLForConditionalGeneration; поддерживаемый язык — английский. Лицензия Apache 2.0.

Falconsai/laya-v796 — англоязычный чекпойнт семейства Laya, разработанный Falconsai. Это модель классификации текста на базе ModernBERT-large с 421 млн параметров, двунаправленным энкодером и обученной с нуля головой принятия решений. Она принимает текст, письма, обращения или JSON-состояния вместе с типизированными вопросами и возвращает структурированные ответы и вероятности за один проход, не генерируя текст. Модель предназначена для маршрутизации запросов, сортировки писем и обращений, оценки риска и применения правил модерации и защитных ограничений; в карточке указана длина контекста 512 токенов и ориентир около 33 мс на решение. Обучение описано как RLCD — обучение с подкреплением по строго правильным правилам оценки, рассчитанное на выдачу калиброванных вероятностей. Английский чекпойнт особенно подходит для английского текста и сценариев guardrails и email triage. Карточка предупреждает, что на нелатинских письменностях англоязычная версия может сильно ошибаться при высокой уверенности; для других языков рекомендуется маршрутизатор семейства Laya. Репозиторий содержит GGUF F32 и safetensors; лицензия — Apache-2.0.

LayoutLMv2-large-uncased — мультимодальная модель Microsoft для понимания документов, в которой совместно обрабатываются текст, его расположение на странице и изображение документа. Модель основана на архитектуре LayoutLMv2, содержит около 433,9 млн параметров и рассчитана на последовательности длиной до 512 токенов; репозиторий содержит веса PyTorch. Модель предназначена для последующей настройки и применения в задачах визуально обогащённого понимания документов: извлечения и классификации полей, анализа структуры форм и ответов на вопросы по документам. В карточке приведены результаты на FUNSD, CORD, SROIE, Kleister-NDA, RVL-CDIP и DocVQA. Основной язык карточки — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и условия распространения производных материалов. Размер контекста ограничен 512 токенами; для прикладных задач может потребоваться настройка на целевых типах документов.

Карточка модели Narsil/layoutlmv3-finetuned-funsd на Hugging Face совпадает с карточкой nielsr/layoutlmv3-finetuned-funsd, поэтому описание составлено по ней. nielsr/layoutlmv3-finetuned-funsd — модель для разметки токенов в документах, дообученная nielsr на microsoft/layoutlmv3-base на датасете FUNSD. Она основана на мультимодальном Transformer LayoutLMv3 и насчитывает 151,8 млн параметров; модель принимает текстовые токены с координатами и изображение документа, чтобы учитывать содержание и расположение элементов страницы. Основной сценарий — извлечение и классификация полей в формах, включая документы, похожие на FUNSD. На оценочной выборке указаны F1 0,9078, precision 0,9026, recall 0,913 и accuracy 0,8330. Модель предназначена для token classification, а её контекст составляет 514 токенов. Лицензия в предоставленных данных не указана.

nielsr/layoutlmv3-finetuned-funsd — модель для разметки токенов в документах, дообученная nielsr на microsoft/layoutlmv3-base на датасете FUNSD. Она основана на мультимодальном Transformer LayoutLMv3 и насчитывает 151,8 млн параметров; модель принимает текстовые токены с координатами и изображение документа, чтобы учитывать содержание и расположение элементов страницы. Основной сценарий — извлечение и классификация полей в формах, включая документы, похожие на FUNSD. На оценочной выборке указаны F1 0,9078, precision 0,9026, recall 0,913 и accuracy 0,8330. Модель предназначена для token classification, а её контекст составляет 514 токенов. Лицензия в предоставленных данных не указана.

Это модель LayoutLMv3, дообученная автором Theivaprakasham на microsoft/layoutlmv3-base для извлечения ключевой информации из изображений чеков. Она размечает токены и текстовые области по категориям данных чеков; обучение и оценка проводились на WildReceipt, содержащем 25 категорий. В модели 151,8 млн параметров, базовая архитектура LayoutLMv3ForTokenClassification, родной контекст — 514 токенов. На тестовой части WildReceipt модель показала F1 0,8785, точность 0,9249, полноту 0,8799 и loss 0,3108. Она предназначена для извлечения полей из чеков, например для последующей обработки расходов и оцифровки документов. Для работы с изображениями чеков и распознанным текстом требуется учитывать, что качество зависит от данных и условий распознавания; лицензия в предоставленных источниках не указана.

pierreguillou дообучил LayoutXLM Base от Microsoft на наборе DocLayNet для распознавания структуры документов на уровне абзацев. Модель LayoutLMv2 содержит 305,2 млн параметров и принимает текстовые токены вместе с расположением элементов на странице; для обработки использовались фрагменты до 512 токенов с перекрытием 128 токенов. На выходе она присваивает абзацам метки одного из 11 типов: заголовок, текст, список, таблица, иллюстрация, формула, подпись, сноска, верхний или нижний колонтитул и название документа. Модель предназначена для анализа PDF и других документов: она помогает выделять структуру страниц и подготавливать содержимое для поиска, извлечения данных и дальнейшей обработки. В README указаны F1 0,7739 и точность на уровне абзацев 86,55%; качество различается по классам, например, для нижних колонтитулов оно высокое, а для сносок и названий заметно ниже. В метаданных заявлены английский, немецкий, французский и японский языки. Лицензия — MIT.

LFM2.5-1.2B-Thinking — текстовая модель общего назначения от Liquid AI, созданная для локального запуска на устройствах с ограниченными ресурсами. Это дообученная версия LFM2.5-1.2B-Base, основанная на гибридной архитектуре LFM2: 16 слоёв, включая блоки свёрток и GQA. В README указано 1,17 млрд параметров, а в метаданных Hugging Face — 1,5 млрд; заявленная длина контекста в README составляет 32 768 токенов, тогда как метаданные указывают 128 000 токенов. Эти значения расходятся, поэтому их следует сверить перед настройкой развёртывания. Модель предназначена для рассуждений общего назначения, агентных сценариев, извлечения данных и ответов по документам в RAG-системах. Она поддерживает вызов инструментов и рассчитана на английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Карточка описывает исходный чекпойнт в формате Safetensors и указывает поддержку Transformers и vLLM; семейство LFM2.5 также ориентировано на запуск на устройстве. README не рекомендует модель для задач, требующих обширных знаний, и программирования; дата отсечения знаний — середина 2024 года. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели на Hugging Face.

LFM2.5-350M-Extract-ML-LoRA — языковая модель Андреа Джемелли, дообученная на базе LiquidAI/LFM2.5-350M для извлечения сведений из документов и их классификации. Модель принимает текст страницы и выданную пользователем JSON-схему, возвращает значения, скопированные из текста, либо выбирает один из двенадцати классов документа. Поддерживает итальянский, немецкий, испанский, французский, португальский, китайский, японский и английский языки. Это плотная авторегрессионная модель семейства LFM2 с архитектурой Lfm2ForCausalLM; в репозитории около 444,6 млн параметров, формат весов — safetensors, контекст — до 128 000 токенов. LoRA-адаптер уже объединён с весами, поэтому модель можно загружать как обычную causal LM без PEFT. В оценке автора на наборе xfund-docai-xl средний F1 составил 0,7504, а 3 из 785 ответов не прошли разбор как JSON. Модель рассчитана на офлайн-анализ одностраничных документов, когда текст уже получен из PDF или OCR. Она не принимает изображения и сама не выполняет OCR; качество зависит от точности заданной схемы и исходного текста. Возможны неверное сопоставление полей и невалидный JSON; английский и португальский показали более слабые результаты, а часть классификационной оценки для английского основана на синтетических страницах. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях лицензии с ограничением коммерческого применения.

Модель на 305,2 млн параметров — дообученная версия nielsr/lilt-xlm-roberta-base для поклассовой классификации токенов в документах. Архитектура LiLT использует текстовое представление XLM-RoBERTa и предназначена для задач понимания структуры документов; этот чекпойнт связан с набором FUNSD и разметкой IOB. Модель подходит для извлечения и классификации элементов в формах и документах, например для распознавания полей и их ролей. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: F1 0,7478, точность 0,7252 и полнота 0,7718. Весовые файлы представлены в формате PyTorch. Лицензия — MIT. Описание обучения и ограничений в карточке не раскрывает деталей, поэтому результаты на других типах документов и языках могут отличаться.

Matter-0.2-32B — разговорная языковая модель, созданная 0-hero как дообучение Qwen 32B на наборе Matter 0.2. Набор сформирован из более чем 35 датасетов и включает свыше 6 млрд токенов. Модель использует архитектуру Qwen2 с плотной causal language model, содержит 31,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых ответов и генерации текста. Она использует формат запросов ChatML и поддерживает интерфейс вызова функций, что позволяет подключать её к инструментам и прикладным системам. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0. Карточка рекомендует системную инструкцию «You are a helpful assistant»; качество и безопасность ответов зависят от запроса и приложения, поэтому результаты следует проверять при использовании в критически важных сценариях.

emisilab/model-ocr-invoice-rich — модель для преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Она использует архитектуру vision-encoder-decoder и предназначена для задач обработки изображений, связанных с документами; по названию репозитория — для OCR и разбора счетов-фактур. Модель принимает изображение и выдаёт текст. В карточке указаны формат safetensors и лицензия MIT. README не содержит сведений о качестве, обучающих данных или ограничениях, поэтому пригодность для конкретных видов счетов следует проверять на собственных примерах.

OsaurusAI подготовила сборку JANG_4M модели Nanbeige4.2-3B для генерации текста и диалога. Это плотный Looped Transformer с 22 слоями, которые дважды проходят по общим весам, что даёт эффективную глубину 44 слоя. Веса квантованы для Apple Silicon: используются 4-битные affine routed-веса и 8-битное внимание; размер файлов составляет 2,9 ГБ. Модель насчитывает около 3,2 млрд параметров по метаданным; README указывает 4,17 млрд параметров исходной архитектуры. Контекст — до 256K токенов, основные языки — английский и китайский. Сборка предназначена для рассуждений, диалогов и агентных сценариев с вызовом инструментов. Для корректной работы требуется загрузчик, поддерживающий циклическое выполнение слоёв и 44 позиции KV-кэша; обычный универсальный загрузчик может выдавать неверные ответы. В README приведены измерения скорости и сравнение точности квантования на Apple Silicon, но они относятся к указанной конфигурации и тестам. Лицензия — Apache-2.0.

Nemotron 3.5 ASR — разработанная NVIDIA многоязычная модель автоматического распознавания речи на 600 млн параметров. Она предназначена для потоковой транскрибации с низкой задержкой и пакетной обработки аудио; доступна через NeMo и Transformers, а веса представлены в формате safetensors. Архитектура Cache-Aware FastConformer-RNNT использует кэш контекста, чтобы обрабатывать новые аудиофрагменты без повторных вычислений. Размер фрагментов можно настраивать от 80 до 1120 мс; модель расставляет пунктуацию и заглавные буквы, а при режиме auto может определять язык речи и добавлять языковую метку к транскрипту. Модель поддерживает 40 языковых локалей: для 32 заявлена транскрибация без дополнительной адаптации, а для восьми требуется дообучение на данных целевого домена. Среди языков есть русский, английский, испанский, французский, немецкий, арабский, китайский, японский и другие. Карточка указывает готовность к коммерческому использованию, однако метаданные обозначают лицензию как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория. Для английской речи автор рекомендует отдельную англоязычную модель Nemotron ASR Streaming.

r0b0tlab выпустила Nex-N2-mini NVFP4 — квантованную версию языковой модели Nex-N2-mini, основанной на Qwen3.5-MoE. Модель содержит 35 млрд параметров, из которых активны 3 млрд; используется архитектура MoE с 256 экспертами и маршрутизацией top-8. Весовые матрицы экспертов квантованы в NVFP4 с помощью NVIDIA ModelOpt, а веса внимания, визуального энкодера и выходного слоя сохранены в BF16. Контрольные тесты возможностей прошли без потери качества, по данным авторов. Модель предназначена для генерации текста и диалогового использования через vLLM. Вариант NVFP4 рассчитан на обслуживание на видеокартах NVIDIA Blackwell с поддержкой SM 12.1; README приводит результаты запуска на GB10. В базовой модели заявлены возможности программирования, вызова инструментов и выполнения продолжительных задач с обратной связью от среды. Языки карточки — английский и китайский; в чекпойнте также сохранён визуальный энкодер, но README не описывает конкретные сценарии обработки изображений. Репозиторий распространяется по лицензии Apache-2.0. Практические ограничения — требование GPU Blackwell для NVFP4-ядер, минимальное значение max_num_batched_tokens 2096 и несколько минут профилирования визуального энкодера при первом запуске. NVFP4-кэш KV недоступен; для него в описанной конфигурации применяется FP8.

NuExtract-1.5 — модель NuMind для извлечения структурированной информации из текста. Это дообученная версия Phi-3.5-mini-instruct с 3,7 млрд параметров, созданная на частном высококачественном наборе данных. Для запроса модели передают текст и JSON-шаблон с нужными полями; она старается извлекать сведения дословно, сохраняя формулировки исходного текста. Модель предназначена для структурирования содержимого документов и длинных текстов на английском, французском, испанском, немецком, португальском и итальянском языках. В README заявлена поддержка длинных документов, включая примеры длиной 8–20 тысяч токенов, хотя нативный размер контекста в метаданных составляет 4096 токенов. Для чистого извлечения рекомендуется температура 0 или близкая к нулю. Модель работает с текстом и выдаёт текст в формате, заданном JSON-шаблоном. Лицензия — MIT. Результаты могут зависеть от формулировки шаблона и настроек генерации; заявленная работа с длинными документами выходит за пределы контекста, указанного в метаданных.

NVIDIA-Nemotron-3-Nano-4B-FP8 — компактная языковая модель (SLM), разработанная NVIDIA Corporation и обученная с нуля. Это FP8-квантизированная версия NVIDIA-Nemotron-3-Nano-4B-BF16, сжатая из NVIDIA-Nemotron-Nano-9B-v2 с использованием фреймворка Nemotron Elastic. Модель предназначена для унифицированной работы в задачах с рассуждениями и без них: она может формировать рассуждение перед итоговым ответом, причём режим рассуждений управляется системным промптом. Отключение рассуждений сокращает задержку и скрывает промежуточный вывод, но может немного снизить точность на сложных запросах. Архитектура гибридная и в основном состоит из слоёв Mamba-2 и MLP, дополненных четырьмя attention-слоями. Размер модели — 4B параметров; доступна FP8-квантизация. Поддерживается английский язык и языки программирования. Модель ориентирована на агентные сценарии на периферийных устройствах, включая Jetson Thor, GeForce RTX и DGX Spark: игровых NPC, локальных голосовых ассистентов для устройств, приложений и игр, а также автоматизацию IoT. Она также подходит для следования инструкциям, генерации текста и кода, математических и научных задач, использования инструментов и структурированных ответов. Заявлено окно контекста до 128K токенов по результатам оценки RULER. К сильным сторонам относятся сочетание режимов рассуждения и обычной генерации, высокая эффективность для компактной модели, пригодность для edge-развёртывания и коммерческого использования. Ограничения включают поддержку только английского языка, возможное снижение качества при отключённых рассуждениях и неравномерные результаты в отдельных агентных и прикладных бенчмарках. Использование регулируется NVIDIA Nemotron Open Model License.

OpenLID-v3 — модель классификации текста для автоматического определения языка, разработанная HPLT. Это улучшенная версия OpenLID-v2; модель построена на fastText и охватывает 194 языковые разновидности. Для обучения использовались данные OpenLID-v2, glotlid-corpus и Wikipedia с нормализацией и балансировкой классов. Модель подходит для определения языка текстовых фрагментов и отбора многоязычных данных для последующей обработки в NLP-системах. Качество распознавания неодинаково для разных языков. Близкие разновидности, например арабские диалекты, бывает трудно различить, поэтому результат может определяться только на уровне макроязыка. Ошибки классификации способны ухудшить работу последующих систем, а сведение разновидностей к общим категориям может приводить к недостаточному распознаванию малых языков, диалектов и отдельных письменностей. Лицензия — GPL-3.0.