I.14Автоматизация процессов и AI-агенты

greghavens/Qwen3.8-27B-bnb-4bit — это 4-битная NF4-квантизованная версия мультимодальной модели Qwen3.8-27B, разработанной Qwen. Модель предназначена для обработки текста и изображений, включая задачи visual question answering, генерацию текста по изображениям и работу с агентами и инструментами. Указан английский язык. Размер модели — около 18,60 ГБ в шести сегментах, что позволяет запускать её на одной видеокарте с 24 ГБ памяти при использовании bitsandbytes и совместимого ускорителя. Квантизация применяется к 496 языковым линейным слоям, тогда как vision tower, lm_head, входные эмбеддинги и нормализующие слои сохранены в bfloat16. В комплекте также присутствует MTP head в bfloat16 для speculative decoding в vLLM и SGLang, хотя Transformers его не использует. Модель совместима с Transformers и поддерживает QLoRA-файнтюнинг через PEFT. Контекст модели в README не указан. По заявленным измерениям, квантизация почти не меняет результаты IFEval и NoveltyBench, а ухудшение perplexity на Wikitext-2 составляет около 1,14%. При этом показатель BFCL для вызова инструментов снижается с 0,8218 до 0,8113, а на нерелевантные запросы модель чаще ошибочно генерирует вызов инструмента. Для Blackwell и сценариев, ориентированных только на инференс, README рекомендует более быстрые варианты NVFP4 или FP8. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-CRACK-JANG_6S — модель, опубликованная dealignai на основе JANGQ-AI/Qwen3.8-Flash-Next-JANG_6S, относящегося к экспериментальной линейке Alibaba Qwen. Это CRACK-abliterated-сборка, в которой удалено поведение отказа при сохранении рассуждений, инструментального взаимодействия и мультимодальных возможностей. Модель предназначена для исследовательских задач, агентных сценариев, работы с инструментами, рассуждений, а также анализа изображений и видео. Модель представляет собой квантованную версию примерно 176-миллиардной MoE-архитектуры с 512 экспертами и около 6 миллиардов активных параметров. В описании указаны гибрид Gated DeltaNet и Qwen Sparse Attention, хешированное n-граммное embedding, встроенная multi-token prediction head, поддержка режимов рассуждений off, low и xhigh, а также vision-language и video-возможности. Заявлены языки English и Chinese. Для запуска используется MLX на Apple Silicon; требуется около 106 ГБ дискового пространства и примерно 82 ГБ активной оперативной памяти, при этом около 24 ГБ таблицы embedding потоково считываются с SSD. К сильным сторонам относятся мультимодальность, поддержка агентных инструментов, рассуждений и эффективная MoE-архитектура с небольшим числом активных параметров. По приведённым тестам CRACK-версия получила 86,10% на MMLU, что на 1,62 процентного пункта ниже базовой модели, и не демонстрировала жёстких отказов в 960 проверках HarmBench. Это одновременно является ограничением и фактором риска: модель намеренно лишена части защитного поведения, поэтому требует осторожного применения и дополнительного контроля безопасности. В README также отмечен один некорректный длинный цикл генерации в режиме xhigh. Модель распространяется по лицензии qwen-community-1.0, обозначенной как other. Она представлена как исследовательский артефакт; ответственность за использование весов возлагается на пользователя. Для запуска рекомендуется окружение vMLX и платформа Apple Silicon.

Qwen3-VL-4B Receipt Extraction — модель ratlinghitman, дообученная на базе Qwen/Qwen3-VL-4B-Instruct с помощью LoRA для извлечения данных из фотографий и сканов розничных чеков. Она принимает изображение чека вместе с заданным запросом и возвращает JSON с позициями, подытогом и итоговой суммой; значения представлены строками, переписанными с чека. Используются архитектура Qwen3-VL с 4 млрд параметров и формат bf16; адаптировалась языковая часть, а визуальная часть оставалась замороженной. Обучение проводилось на датасете CORD-v2, содержащем индонезийские чеки. На тестовой выборке из 100 чеков автор сообщает field F1 0,8862 и корректность JSON 0,99. Модель предназначена для автоматизации ввода данных в бухгалтерские и учётные системы, а также для экспериментов с пониманием документов. Лицензия — Apache-2.0. Она обучалась на розничных и ресторанных чеках CORD-v2, поэтому результаты на чеках других типов и языков могут быть хуже; модель не предназначена для счетов-фактур, рукописных записей и изображений других типов. Извлечённые значения не проверяются арифметически, а поля и суммы требуют проверки человеком перед использованием.

sukhrobnurali/qwen3vl-resume-parser — мультимодальная модель Sukhrob Nurali для извлечения структурированных данных из изображений страниц резюме и CV. Она преобразует одну или несколько страниц одного резюме в JSON-запись с 23 полями: контактными данными, навыками, опытом, образованием, языками, сертификатами, проектами и предпочтениями. Модель предназначена для пакетной обработки документов в рекрутинговых и ATS-системах, где требуется фиксированная схема данных. Это дообученная QLoRA-модель Qwen/Qwen3-VL-8B-Instruct; опубликованы объединённые полные веса BF16 в формате safetensors, примерно 9 млрд параметров. Модель принимает изображения страниц вместе с текстовой инструкцией и выдаёт текстовый JSON. Она настроена преимущественно на англоязычные резюме и может обрабатывать несколько страниц; заявленный контекст — до 16 384 токенов. Лицензия — Apache-2.0. На отложенной выборке из 51 примера автор сообщает 88,2% валидных JSON и 83,9% взвешенной оценки. Модель привязана к конкретной 23-полевой схеме и её справочникам значений; качество может снижаться на резюме вне IT, необычных макетах, сканах, фотографиях, рукописном тексте и документах на других языках. В README также указаны задержка около 90 секунд на резюме при тестировании на A100 и пиковое потребление около 23 ГБ VRAM в BF16; результаты в 4-битном режиме не оценивались. Результаты следует проверять, а выводы о кандидатах не следует автоматизировать.

SkillReason-reranker-4b — реранкер для поиска навыков ИИ-агентов, разработанный авторами SkillReason и дообученный на базе Qwen/Qwen3-Reranker-4B. Он оценивает соответствие документа с описанием навыка запросу на естественном языке и предназначен для второго этапа конвейера retrieve-then-rerank: после первичного поиска модель пересортировывает кандидатов по релевантности. В опубликованном протоколе оцениваются 20 лучших результатов первичного поиска. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текстовый запрос и текст документа-кандидата, а её основная функция — ранжирование по релевантности. Контекст составляет до 40 960 токенов; для пакетной обработки и длинных документов авторы рекомендуют официальный инструментарий, который сохраняет формат промпта и корректно обрезает длинный ввод. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

SkillRet-Embedding-0.6B — модель эмбеддингов на базе Qwen3, дообученная с помощью contrastive learning на обучающей части бенчмарка SkillRet. Она сопоставляет запросы на естественном языке с подходящими навыками AI-агентов и предназначена для поиска навыков в библиотеке. Модель содержит 507,6 млн параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В тесте SkillRet на 4 392 запросах и 6 006 навыках показатель Recall@10 составил 0,8774, а NDCG@10 — 0,8112. Модель оптимизирована для запросов на английском языке и может хуже работать за пределами распределения данных бенчмарка; она находит навыки, но не выполняет их. Лицензия — Apache-2.0.

Skywork-SWE-32B — языковая модель-агент для задач программной инженерии, разработанная Skywork AI и дообученная на базе Qwen/Qwen2.5-Coder-32B-Instruct. Она предназначена для работы с задачами SWE-bench: анализа программных проектов и подготовки исправлений кода. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. В README сообщается о результате 38,0% pass@1 на SWE-bench Verified; с масштабированием вычислений во время вывода авторы сообщают о 47,0%. Модель рассчитана на использование с агентной средой OpenHands, а для эффективного инференса авторы рекомендуют сервер как минимум на двух GPU с достаточной видеопамятью. Она принимает текст и генерирует текст. Лицензия — Apache-2.0.

microsoft/trocr-small-printed — небольшая модель Microsoft для распознавания печатного текста на изображениях. Это вариант TrOCR, дообученный на наборе SROIE и впервые опубликованный в репозитории модели. Архитектура encoder-decoder объединяет визуальный Transformer-энкодер на основе DeiT и авторегрессионный текстовый Transformer-декодер на основе UniLM; изображение разбивается на патчи 16×16, по которым модель генерирует текстовые токены. Модель предназначена для OCR отдельных строк текста на изображениях. Её можно применять для извлечения печатного текста из изображений строк, в том числе в сценариях, связанных с чеками и документами, представленными в SROIE. Карточка не сообщает о поддержке других языков или о контекстном окне; специальная настройка рассчитана на SROIE. Лицензия в предоставленных данных не указана.

TrustSQL-4B — дообученная модель для преобразования запросов на естественном языке в SQL, разработанная на базе Qwen3-4B в рамках работы TRUST-SQL. Она предназначена для работы с неизвестными схемами баз данных и использует многошаговое взаимодействие с инструментами: исследует схему, предлагает решение, формирует запрос и подтверждает его. Модель построена на архитектуре Qwen3ForCausalLM и содержит около 3,7 млрд параметров; длина контекста — 40 960 токенов. Модель обучалась в два этапа: начальная настройка на примерах и оптимизация методом GRPO с учётом фаз взаимодействия. В README приведены результаты на BIRD-Dev, Spider-Test и Spider-DK в сценарии неизвестной схемы. Для работы требуется оркестратор с настроенной средой инструментов. Модель обучена и оценена на бенчмарках SQLite, поэтому перенос на другие СУБД может требовать проверки. Перед использованием в чувствительных базах или базах с правом записи следует проверять сгенерированный SQL. Лицензия — Apache-2.0.

Vintern-1B-v3.5 — мультимодальная модель с визуально-языковой архитектурой InternVLChat, разработанная 5CD-AI и дообученная на базе OpenGVLab/InternVL2_5-1B. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена прежде всего для распознавания текста и понимания документов на вьетнамском языке, сохраняя возможности работы с англоязычными данными. Модель рассчитана на OCR и извлечение сведений из счетов, юридических документов, рукописей и таблиц, а также на ответы на вопросы по изображениям документов. В README указаны 1 млрд параметров и возможность запуска на GPU T4; сравнительные результаты приведены для vi-MTVQA, DocVQAtest и InfoVQAtest. Метаданные указывают поддержку вьетнамского, английского и китайского языков, формат весов safetensors и библиотеку Transformers. Модель распространяется по лицензии MIT. README не приводит длину контекста и конкретные ограничения качества; результаты бенчмарков сами по себе не гарантируют точность на новых документах и сценариях.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea на основе LightOnOCR-2-1B-base и дообученная полным fine-tuning. Она преобразует изображение страницы в текст с сохранением порядка чтения и представляет таблицы в формате Markdown. Модель рассчитана на 12 типов документов, включая счета, банковские квитанции, договоры аренды, полисы, выписки и официальные письма, а также на цифровые изображения, сканы и фотографии с телефона. В заявленном тестировании на 72 страницах из той же синтетической распределённой выборки средний и медианный CER составили 0,15%. Данные обучения включали 12 960 синтетических страниц с вымышленными идентификаторами и недействительными контрольными суммами. Поскольку тестирование было выполнено на данных, близких к обучающим по распределению и шаблонам, результаты могут не отражать качество на реальных документах; для критических сценариев автор рекомендует проверку человеком. Лицензия модели — Apache-2.0.

1.5-Pints-16K-v0.1 — языковая модель команды Pints AI для диалогов и генерации текста. Она основана на авторегрессионной архитектуре Llama 2, содержит около 1,57 млрд параметров и использует токенизатор Mistral. Модель обучалась на 57 млрд токенов отобранных данных, затем была дообучена на инструкциях и оптимизирована по предпочтениям; в карточке указано окно контекста 16 384 токена и формат весов safetensors. Модель предназначена для создания компактного помощника, ответов на запросы и рассуждений, а также для запуска нескольких экземпляров в агентных сценариях. Авторы рекомендуют использовать поиск с генерацией (RAG) для ответов, требующих точных фактических знаний, и дообучать модель для специализированных областей. В сравнении, приведённом в карточке, результат MTBench для версии 16K — 3,40; это ограничивает ожидания от её качества по сравнению с более крупными моделями. Указана лицензия MIT.

AdaGuard-8B — модель Yunhao-Feng для проверки пользовательских запросов и действий ИИ-агентов по заданным пользователем правилам. Она формирует объяснение, указывает идентификаторы нарушенных правил в заданном порядке или возвращает NR, если нарушений нет; вердикт не является калиброванной вероятностью риска. Модель построена на Qwen3Guard-Gen-8B с архитектурой Qwen3ForCausalLM и дообучена методом supervised fine-tuning на AdaptiveSafety с последующим SafePO. В чекпойнте 7,6 млрд параметров, контекст составляет 32 768 токенов. Для оценки передаются текстовые правила и события, включая запросы, действия агента и результаты инструментов; на выходе модель выдаёт текстовый анализ и метки вердикта. Пример запуска использует Transformers, CUDA и BF16. AdaGuard позволяет задавать от 1 до 100 правил без фиксированной таксономии рисков и связывать нарушения с локальными идентификаторами правил. В README приведены ранее полученные результаты на AdaptiveSafety и DynaBench; выпуск чекпойнта не сопровождался новым прогоном этих тестов. Длинноконтекстная производительность за пределами описанных условий оценки не установлена. Некорректный или неполный формат ответа следует считать недействительным вердиктом. Лицензия — Apache-2.0.

Albatross-8B-Instruct — диалоговая языковая модель на архитектуре Llama, созданная автором репозитория слиянием нескольких моделей через TIES в mergekit. В слияние вошли NousResearch/Hermes-3-Llama-3.1-8B, unsloth/Meta-Llama-3.1-8B-Instruct и qingy2024/NaturalLM3-8B-Instruct-v0.1; в качестве базовой модели указана unsloth/Meta-Llama-3.1-8B. Модель содержит 7,5 млрд параметров, использует формат safetensors и библиотеку Transformers, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для генерации текста в диалоге и выполнения инструкций; метаданные также указывают интерфейс вызова инструментов. Карточка не приводит результатов оценки качества или подробного описания языкового охвата, поэтому её сильные стороны в конкретных задачах и практическую надёжность нельзя оценить по имеющимся данным. Лицензия в предоставленных данных не указана.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.

Auto-RAG — языковая модель ICTNLP Group, разработанная Tian Yu, Shaolei Zhang и Yang Feng. Это дообученная версия Meta-Llama-3-8B-Instruct, обученная на синтетических инструкциях для итеративного извлечения информации и генерации с поиском (RAG). Модель предназначена для диалоговых сценариев, где ответ строится с помощью последовательного поиска и использования найденных сведений. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. В README указана возможность развёртывания через vLLM. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков. Лицензия — Apache-2.0.

A.X 3.1 Light — компактная языковая модель SKT, обученная с нуля на многоязычном корпусе с приоритетом корейского языка. В метаданных указаны 6,8 млрд параметров, архитектура Llama с плотной авторегрессионной моделью и контекст до 32 768 токенов; доступны веса в формате Safetensors. Модель предназначена для диалогов, понимания корейского языка и корпоративного развёртывания, а интерфейс поддерживает вызов инструментов. SKT сообщает, что модель обучалась на 1,65 трлн токенов и показывает результаты на корейских языковых бенчмарках KMMLU и KoBALT-700. Компания также заявляет о снижении вычислительных затрат относительно моделей со сравнимыми результатами. В карточке приведён пример использования с Transformers версии 4.46.0 или новее и vLLM для функций вызова инструментов. Лицензия — Apache 2.0.

Модель Sartaj, дообученная на основе google-bert/bert-base-uncased для распознавания именованных сущностей в английском тексте. Она размечает токены, выделяя сущности, включая местоположения, организации и категории MISC, и подходит для извлечения структурированных упоминаний из предложений и документов. Модель построена на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Для работы используются Transformers и формат весов safetensors. В карточке указаны результаты на наборе CoNLL-2003: F1 0,9053, точность 0,8992 и полнота 0,9115. Модель предназначена для английского языка; показатели на других языках и доменах не приведены. Лицензия Apache-2.0.

Kaballas/Cyber18 — языковая модель семейства Llama, разработанная Kaballas и дообученная на Kaballas/Cyber16. Модель содержит 7,5 млрд параметров и предназначена для генерации текста в диалоговых сценариях; в метаданных также указана поддержка интерфейса вызова инструментов. Для обучения использовались Unsloth и библиотека TRL. Модель принимает текст и генерирует текст. В карточке указан английский язык, а максимальный размер контекста по метаданным составляет 131 072 токена. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные предметные области или результаты оценки качества.

decide-0.2.0 — англоязычная модель jmwri на 149 млн параметров, дообученная на базе answerdotai/ModernBERT-base. Это компактный некорректирующий генерацию encoder-only классификатор: за один проход оценивает каждый из предложенных вариантов и возвращает калиброванные вероятности. Поддерживает выбор одного варианта из нескольких, проверку условия с ответом «да/нет» и оценку по упорядоченной шкале. Архитектура использует ModernBERT и отдельную MLP-голову для оценки вариантов; заявленная длина контекста — 8192 токена. Модель предназначена для классификации по заданным вариантам, проверки утверждений и принятия решений по текстовому описанию состояния и инструкции. Оценки вариантов не зависят от порядка остальных вариантов, что удобно для построения устойчивых классификаторов и таксономий. На задачах, похожих на обучающие, README приводит метрики точности и калибровки; на не встречавшихся при обучении задачах качество ниже, а вероятности могут быть чрезмерно уверенными. Модель поддерживает только английский язык. Лучше работают варианты с ясными описаниями; наборы более чем примерно из десяти вариантов рекомендуется разбивать на этапы. Для решений, влияющих на права, безопасность или средства к существованию людей, требуется надзор человека. Лицензия модели — Apache-2.0; перед распространением или коммерческим использованием также следует проверить лицензии использованных обучающих наборов данных.

Decision-2.0-Kai-0.6B — плотная модель с 0,6 млрд параметров из семейства Decision 2.0, разработанная для vLLM Semantic Router и дообученная на базе Qwen/Qwen3-0.6B-Base. Она принимает текст или JSON и за один проход отвечает на вопросы выбора из нескольких вариантов, даёт ответ «да/нет» или оценку по шкале. Для каждого возможного ответа возвращается вероятность; модель предназначена для классификации без генерации текста. Контекст составляет 8 192 токена. В карточке сообщается о результатах на JevArena и наборе из 15 задач с разметкой людьми, а также о возможности одновременно обрабатывать несколько вопросов к одному входу. Для одного вопроса указана медианная задержка 4,9 мс на одном GPU; это результат карточки, а не гарантия производительности в других конфигурациях. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели LimitlessMindd/DeepSeek-R1-Distill-Llama-70B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DR-Tulu-SFT-8B — диалоговая модель генерации текста, разработанная в проекте DR Tulu и дообученная методом SFT на базе Qwen3-8B. Она предназначена для исследовательского агента глубокого поиска: отвечает на вопросы и собирает сведения из внешних источников в связные ответы. Модель обучена использовать инструменты через фреймворк dr-agent-lib; для этого сценария запуск через Hugging Face Transformers или vLLM без соответствующей интеграции работает плохо. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке приведены результаты на бенчмарках вопросов и глубокого поиска, включая ResearchQA, DeepResearch Bench и SimpleQA. Модель выпущена под лицензией Apache 2.0; README указывает на исследовательское и образовательное применение согласно Responsible Use Guidelines от Ai2.

Модель rv2307/electra-small-ner — англоязычная модель для распознавания именованных сущностей, разработанная Vipin. Она основана на небольшом дискриминаторе Google ELECTRA и дообучена для классификации токенов; выделяет имена людей, названия организаций и географические объекты. Модель содержит 20,4 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и предназначена для использования через Transformers. Модель подходит для извлечения сущностей из англоязычных текстов, например для последующей индексации или структурирования документов. В карточке указаны датасеты CoNLL-2003 и ai4privacy/pii-masking-200k. Для объединения меток частей слов автор рекомендует в pipeline Transformers использовать aggregation_strategy="max". На длинных предложениях качество может снижаться; токенизатор distilbert может приводить к ошибочным меткам для частей одного слова. Лицензия — Apache 2.0.

bardsai/eu-pii-multi-mini-preview — предварительная многоязычная модель BardsAI для обнаружения и классификации персональных и чувствительных данных в тексте. Это модель token classification на базе XLM-RoBERTa, дообученная от nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large; она размечает токены по 34 классам сущностей с использованием схемы BIO. Размер составляет 110,2 млн параметров, контекст — до 514 токенов. Модель предназначена для выявления адресов электронной почты, телефонов, идентификаторов, платёжных данных, местоположений, медицинских и других чувствительных сведений в многоязычных текстах на 24 европейских языках. Её можно применять для поиска и последующей маскировки персональных данных в документах, текстах обращений и других корпусах. В README приведены результаты на проверочной и тестовой выборках; макро-F1 на тесте составляет 0,7863 без учёта класса O. Карточка помечает модель как preview и сообщает, что обучение ещё продолжается, поэтому качество следует проверять на собственных данных перед внедрением. Доступны веса Safetensors и ONNX, включая динамически квантованный вариант ONNX для CPU. Лицензия в предоставленных данных не указана.

GA Guard 1B — компактная модель модерации из семейства GA Guard, разработанного GeneralAnalysis и построенного на базе Llama 3.2 1B Instruct. Она классифицирует текст по семи политикам безопасности: незаконная деятельность, ненависть и оскорбления, персональные данные и интеллектуальная собственность, безопасность промптов, сексуальный контент, дезинформация, насилие и самоповреждение. Результат — структурированные токены категорий, предназначенные для автоматического разбора. Модель рассчитана на низкую задержку и интеграцию в конвейеры модерации, первичную проверку пользовательского ввода и выявление prompt injection. Использует архитектуру Llama с 1,2 млрд параметров; контекст — до 131 072 токенов. В README описана обработка текста, а карточка указывает английский язык. Лицензия обозначена как other; README предписывает применять условия лицензии Llama 3.2. Модель следует использовать как один из уровней защиты, а решения высокого риска передавать на проверку человеку.

Карточка модели keyvan-ai/german-ocr-2b-gguf на Hugging Face совпадает с карточкой Keyven/german-ocr-2b-gguf, поэтому описание составлено по ней. German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

GPT-OSS Coder — дообученная модель exalandru на базе openai/gpt-oss-120b для работы coding-агента над репозиториями. Она ориентирована на цикл разработки: изучать код, находить причину дефекта, вносить исправления, запускать тесты, анализировать результаты и продолжать работу, пока исправление не подтвердится. Обучение проведено методом supervised fine-tuning на примерах успешных сессий кодовых агентов; небольшое низкоранговое обновление последних слоёв затем объединено с весами модели. Модель принимает текстовые запросы и выдаёт текст, включая ответы и вызовы инструментов в формате Harmony. Версия в этом репозитории поставляется в GGUF с экспертами MXFP4 и вниманием bf16; README указывает размер около 63 ГБ и запуск через llama.cpp с контекстом 32 768 токенов. Для передачи объявлений инструментов в llama.cpp требуется шаблон чата Harmony через параметр --jinja. Модель обучена для Codex и предназначена для задач программной инженерии на уровне репозитория; карточка не сообщает языки программирования или отдельные естественные языки обучения. Среди заявленных улучшений — написание регрессионных тестов до закрытия задачи, продолжение работы после первого успешного набора тестов, соблюдение соглашений конкретной среды агента и сокращение некорректных JSON-аргументов. Это утверждения автора, проверенные на собственных небольших бенчмарках; независимые результаты в карточке не приведены. Для полноценной работы нужны совместимая среда агента и достаточно памяти для модели и контекста. Лицензия — Apache-2.0.

mlx-community/Hermes-3-Llama-3.1-8B-8bit — 8-битная версия Hermes 3 на базе Llama 3.1 8B, подготовленная сообществом mlx-community для формата MLX. Модель была преобразована из NousResearch/Hermes-3-Llama-3.1-8B с помощью mlx-lm 0.16.1; метаданные указывают на дообучение исходной Llama 3.1 8B и архитектуру LlamaForCausalLM с 7,5 млрд параметров. Модель предназначена для диалогов и следования инструкциям, включая генерацию текста, ролевые сценарии и вызов функций. Заявленный контекст составляет 131 072 токена; в карточке указаны английский язык, chat template ChatML, режим JSON и function calling. Формат MLX рассчитан на запуск через mlx-lm. Для модели указана лицензия llama3. Карточка не приводит отдельных результатов оценки качества; фактическая скорость и потребление памяти зависят от устройства и сценария запуска.

Hypa-Llama-SNAC-ASR-run1-colab-16bit — дообученная hypaai модель генерации текста на архитектуре Llama, созданная на базе hypaai/Hypa-Llama3.1-8b-SFT. В репозитории указаны 7,6 млрд параметров, контекст 2048 токенов и формат safetensors; обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для диалоговой генерации текста и работы с интерфейсом вызова инструментов. Название содержит SNAC и ASR, однако карточка не описывает распознавание речи или аудиовход, поэтому подтвердить такие сценарии по предоставленным данным нельзя. Указана лицензия Apache-2.0.