I.1Поиск и навигация по информации

CataLlama-v0.2-Instruct-DPO — языковая модель Laurentiu Petrea на архитектуре Llama 3, дообученная методом DPO на наборе catallama/Catalan-DPO-V2 поверх CataLlama-v0.2-Instruct-SFT. Это авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенный для диалогов и выполнения инструкций преимущественно на каталанском языке. Модель подходит для извлечения информации из документов, в том числе в сценариях RAG, распознавания именованных сущностей, перевода между каталанским и английским, краткого и развернутого суммирования, анализа тональности и чата. Карточка сообщает об улучшении владения каталанским языком; также приведены результаты бенчмарков MMLU и GSM8K. Модель использует шаблон запросов Llama 3 Instruct. Модель распространяется по лицензии Llama 3. Авторы указывают, что она создана для демонстрации методов адаптации LLM к новым языкам и сохранения языков с малым числом ресурсов. В карточке также приведено ограничение лицензии Llama 3 на использование модели в языках, отличных от английского, и отдельно отмечено, что разработчики могут дообучать модели для других языков при соблюдении условий лицензии и Acceptable Use Policy.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

axondendriteplus/Legal-Embed-bge-base-en-v1.5 — англоязычная модель эмбеддингов, дообученная на базе BAAI/bge-base-en-v1.5 для поиска по юридическим документам и систем RAG. Она использует плотную архитектуру BERT и SentenceTransformers, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Модель преобразует юридические тексты в векторы для семантического поиска и подбора фрагментов к вопросам. Обучение с MatryoshkaLoss рассчитано на использование эмбеддингов разных размерностей: в README приведены результаты для 768, 512 и 256 измерений, а также варианты 128 и 64 измерения с меньшими требованиями к хранилищу. В опубликованной оценке на юридическом наборе тонкая настройка улучшила NDCG@10 относительно базовой модели. Разработчик — axondendriteplus. Модель распространяется по лицензии Apache-2.0. Она предназначена для английского языка и сама по себе не генерирует ответы: для RAG её эмбеддинги нужно использовать вместе с поисковым индексом и генеративной моделью. Заявленные метрики относятся к оценке из карточки и не гарантируют качество на других коллекциях юридических текстов.

LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

Модель разработана Pierre Guillou и представляет собой LiLT на базе XLM-RoBERTa, дообученную для анализа структуры документов на абзацном уровне. Она классифицирует фрагменты документа по 11 типам: подпись, сноска, формула, элемент списка, колонтитулы, заголовок раздела, изображение, таблица, текст и заголовок документа. Модель использует текст и пространственные признаки разметки страницы; при обработке абзацы разбиваются на фрагменты до 512 токенов с перекрытием 128 токенов. Размер составляет 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для извлечения структуры из PDF и других документов, включая финансовые отчёты, руководства, научные статьи, законы, нормативные документы, патенты и государственные тендеры. В README указаны точность классификации токенов 86,34% и абзацев 68,15%; качество заметно различается между классами, а для сносок и заголовков документа приведён нулевой результат на оценочном наборе. Метаданные указывают языки английский, немецкий, французский и японский, а также лицензию MIT.

MobileLLM-Pro — англоязычная инструкционно дообученная языковая модель Meta Reality Labs из семейства MobileLLM, рассчитанная на эффективный запуск на устройствах. Это трансформер на 1,08 млрд параметров с 30 слоями и чередованием локального и глобального внимания; модель принимает и генерирует текст и поддерживает контекст до 128 тыс. токенов. Модель предназначена для диалогов и общих языковых задач, включая ответы на вопросы, переписывание и суммаризацию документов, а также вызов инструментов. В карточке отмечены результаты на бенчмарках по знаниям, следованию инструкциям и программированию. README описывает дистилляцию знаний от Llama 4-Scout в процессе обучения семейства, а метаданные указывают, что этот вариант дообучен на MobileLLM-Pro-base. Для семейства также упомянуты варианты int4-квантизации, но данный репозиторий содержит инструкционный вариант в формате safetensors. Модель предназначена прежде всего для английского языка. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование; перед внедрением следует проверить её условия.

Moderncamembert-4entities — модель распознавания именованных сущностей для французского языка, разработанная Лоиком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques. Она дообучена на базе almanach/moderncamembert-cv2-base и размечает токены как географические объекты (LOC), персон (PER), организации (ORG), прочие именованные сущности (MISC) или фоновые токены. Обучающий корпус frenchNER_4entities объединяет и очищает французские наборы данных NER; всего в нём 384 773 примера для обучения, валидации и тестирования. Модель использует архитектуру ModernBERT с классификационной головой для токенов, содержит 135,5 млн параметров и поддерживает контекст до 8192 токенов. В опубликованной оценке общий F1 составил 0,983; по классам результаты различаются — например, F1 для LOC равен 0,960, а для MISC — 0,811. Модель принимает французский текст и выдаёт метки сущностей для его токенов. Распространяется по лицензии MIT.

flair/ner-german — стандартная модель распознавания именованных сущностей для немецкого языка, поставляемая вместе с библиотекой Flair. Она основана на эмбеддингах Flair и архитектуре LSTM-CRF и обучена для четырёх классов NER на наборе CoNLL-2003 German revised. Модель размечает в тексте имена людей, названия мест и организаций; показатель F1 на указанном наборе составляет 87,94. Модель предназначена для извлечения сущностей из немецкоязычных текстов, например для обогащения документов и подготовки данных к поиску или аналитике. Для использования требуется библиотека Flair. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных не приведены.

Polygraf NER Stage 4 — модель распознавания именованных сущностей, разработанная в рамках технического задания Polygraf Applied NLP. Она дообучена целиком на базе distilbert-base-cased и выполняет токенную классификацию английского текста, выделяя восемь типов сущностей: людей, организации, места, даты и время, продукты, произведения искусства, должности и суммы. Модель содержит около 65,2 млн параметров, использует формат safetensors и принимает контекст до 512 токенов. На тестовой выборке модель показала micro-F1 0,826; сохранение регистра помогает находить имена собственные, в частности названия произведений, организаций и продуктов. Весам предоставлена лицензия Apache 2.0. В README указано, что модель переобучается на обучающей выборке, часто предсказывает сущности с избыточным охватом и путает некоторые типы именованных сущностей. Метрики сравнивают предсказания с несовершенной разметкой; условия лицензирования обучающих данных описаны отдельно в карточке датасета.

DatologyAI CLIP Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах. Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

Модель dstefa/roberta-base_topic_classification_nyt_news — дообученная FacebookAI RoBERTa-base модель для тематической классификации новостных заголовков. Она относит текст к одной из восьми категорий: спорт, искусство и развлечения, бизнес и финансы, здоровье и благополучие, образ жизни и мода, наука и технологии, политика или преступность. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. Она обучена на наборе из 256 тысяч заголовков New York Times, опубликованных с 2000 года. В README указаны точность, F1, precision и recall по 0,91 на тестовой выборке из 51 200 примеров; качество различается между категориями. Подходит для автоматической сортировки новостных заголовков по тематике и тематической разметки новостных текстов. Обучение и оценка выполнены на заголовках NYT, поэтому показатели могут не переноситься на другие издания, языки или более длинные тексты. Лицензия — MIT.

Модель desllre/ru_telegram_news_detection — дообученный русскоязычный BERT-энкодер RuBERT-tiny2 для классификации текста на два класса: «новость» и «не новость». Она предназначена для отбора новостных сообщений, в том числе в потоках публикаций из Telegram и других социальных сетей. Модель содержит 29 млн параметров, принимает текст и имеет контекст до 2048 токенов. В README приведены результаты на валидационной выборке: accuracy 0,965, precision 0,965, recall 0,987 и F1 0,971. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.

SpanMarker — модель для распознавания именованных сущностей в английском тексте, разработанная и обученная на датасете FewNERD. Она использует дообученный энкодер roberta-large и библиотеку SpanMarker для разметки сущностей. Модель предназначена для извлечения и классификации названий людей, организаций, произведений и других сущностей в предложениях и документах. Максимальная длина последовательности составляет 256 токенов, а максимальная длина распознаваемой сущности — 8 слов. Модель можно применять для извлечения сущностей из текста и дообучать на собственных данных. Она принимает текст и выдаёт метки сущностей для его фрагментов. Лицензия — CC BY-SA 4.0.

IoannisKat1/all-mpnet-base-v2-legal-matryoshka — англоязычная модель Sentence Transformers, дообученная на 1 580 парах текстов из набора json на базе sentence-transformers/all-mpnet-base-v2. MPNet преобразует предложения и абзацы в нормализованные плотные векторы; среднее объединение токенов и косинусное сходство подходят для семантического поиска и сравнения текстов. Выходной вектор имеет размерность 768, а Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина последовательности по метаданным — 514 токенов; в README указано ограничение 384 токена. Модель предназначена для поиска релевантных текстов, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации. Юридическая направленность следует из названия и примеров обучающих пар в README, но карточка не описывает специализацию подробнее. Приведены результаты оценки поиска для нескольких размерностей векторов, однако без достаточного контекста о наборе оценки они не гарантируют качество на пользовательских данных. Лицензия — Apache-2.0.

dslim разработал bert-base-NER — модель BERT-base-cased, дообученную для распознавания именованных сущностей в английском тексте. Она относит токены к категориям людей, организаций, мест и прочих сущностей (PER, ORG, LOC, MISC), а также отмечает токены вне сущностей. Модель содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для извлечения имен и организаций из новостных статей и других англоязычных текстов, например, для последующей индексации или анализа документов. Она обучена на англоязычном наборе CoNLL-2003, составленном из новостных статей Reuters; в карточке приведены F1 91,3 на тестовой выборке. Метки и качество могут хуже подходить для других предметных областей и временных периодов. Иногда модель помечает отдельные части слов как сущности, поэтому может потребоваться постобработка. Лицензия — MIT.

Breeze-7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, построенная на архитектуре Mistral и дообученная на базе MediaTek-Research/Breeze-7B-Base-v0_1. Модель содержит 7,2 млрд параметров и предназначена прежде всего для традиционного китайского языка, также поддерживает английский. В версии v0.1 словарь расширен до 62 тысяч токенов для лучшей работы с традиционным китайским; метаданные указывают контекст до 32 768 токенов. Модель рассчитана на использование без дополнительной настройки в типовых сценариях: ответы на вопросы, многошаговый диалог, суммаризация и генерация текста. Её можно применять для ответов по документам в системах RAG. Разработчики сообщают о хороших результатах в бенчмарках на традиционном китайском и английском по сравнению с моделями похожего размера. README отмечает, что для диалога нет специальной обработки вредоносных запросов, поэтому модель может отвечать на них без защитных механизмов. Лицензия — Apache-2.0. Описанная в карточке версия v0.1 не является текущим выпуском Breeze-7B: README указывает на v1.0 как более позднюю версию.

EstBERT_NER_v2 — модель распознавания именованных сущностей в эстонском тексте, разработанная группой TartuNLP Института компьютерных наук Тартуского университета. Это дообученная на эстонских наборах данных NER модель на архитектуре BERT с 151,6 млн параметров и контекстом до 512 токенов. Она присваивает метки токенам текста, выделяя сущности, включая даты, события и географические названия. Модель подходит для извлечения сущностей из эстонских документов и подготовки текста для последующего поиска или анализа. На тестовой выборке указаны F1 0,7678 и точность 0,9672; результаты различаются по типам сущностей. Иногда модель отмечает как сущности отдельные части слов, поэтому может потребоваться постобработка. Лицензия — CC BY 4.0.

moebiusT7/gemma-4-26b-a4b-mobius-custom-c1 — это модель для генерации текста на базе Google Gemma-4 26B-A4B-it, представленной в формате GGUF с QAT q4_0. Архитектура MoE использует 26 млрд параметров при примерно 4 млрд активных параметров. Модель ориентирована на английский и японский языки и рассчитана на запуск через llama.cpp, LM Studio, Ollama или совместимый OpenAI API-сервер. Указанный разработчиком рабочий контекст — 32 768 токенов; рекомендуется ограничивать reasoning budget значением 4096. Для работы на полном контексте требуется около 14,7 ГБ VRAM, поэтому практически необходима свободная видеокарта с 16 ГБ памяти. Модель предназначена для ответов на вопросы, суммаризации, работы с переданным контекстом и сценариев, где важны маршрутизация запросов, запрос уточнений и отказ от ответа при недостатке данных или небезопасных запросах. В поставляемой конфигурации используются системный промпт L0 Essentials compact v1.1, детерминированный защитный слой для пустых и некоторых небезопасных запросов, а также опциональный RCGov для управления retrieved-контекстом. По заявленным тестам модель показала 0 из 12 выдуманных ответов на вопросы с ложными предпосылками, 9 из 9 корректных отказов от персональных рекомендаций в высокорисковых ситуациях, 60 из 60 обычных ответов без лишних уточнений и скорость генерации около 155,7 токена в секунду на RTX 5070 Ti. Ограничение состоит в том, что сами веса Google не содержат governance-компонентов: при запуске GGUF без специального промпта и обвязки работает обычная Gemma-4. Модель распространяется по лицензии Gemma.

GIST-Law-Embed — модель для получения плотных эмбеддингов предложений и абзацев, опубликованная пользователем wahid028 на Hugging Face. Она основана на архитектуре BERT и распространяется в формате Safetensors; размер модели составляет около 433,9 млн параметров, контекст — до 512 токенов. Выход модели — векторы размерностью 1024, пригодные для семантического поиска, сравнения текстов и кластеризации. Модель дообучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска релевантных фрагментов юридических документов и группировки похожих текстов. Карточка не сообщает лицензию или конкретные поддерживаемые языки, поэтому нельзя определить условия использования или языковое покрытие.

GLiClass Multilang Ultra — мультиязычная модель классификации текста от Knowledgator на архитектуре GLiClass. Она предназначена для zero-shot и few-shot классификации по заданным пользователем меткам, а также для оценки соответствия текста меткам при решении задач NLI и ранжирования релевантности. Модель поддерживает 20 языков: шведский, норвежский, чешский, польский, литовский, эстонский, латышский, испанский, финский, немецкий, французский, румынский, итальянский, португальский, нидерландский, украинский, хинди, китайский, арабский и иврит. Текст и метки могут быть на разных языках. В README указано около 1,72 млрд параметров; доступны иерархические метки, их описания и примеры для few-shot настройки. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и классификации безопасности LLM. В README приведены оценки на нескольких наборах данных и сравнительные замеры скорости; фактическая производительность зависит от оборудования и задачи. Русский язык среди заявленных языков отсутствует. Лицензия — Apache-2.0.

Jackrong/GPT-5-Distill-llama3.2-3B-Instruct — диалоговая текстовая модель на архитектуре Llama 3.2, дообученная на базе unsloth/Llama-3.2-3B-Instruct методом SFT и дистилляции ответов GPT-5. Модель содержит 3,2 млрд параметров и предназначена для запуска на потребительском оборудовании, включая устройства с ограниченными ресурсами. В карточке указано использование LoRA при обучении; репозиторий также содержит веса safetensors. Модель подходит для чата и следования инструкциям, объяснений, суммаризации и перефразирования, а также для ответов по документам в RAG-сценариях. В README заявлен контекст до 32 тыс. токенов; метаданные каталога указывают 131 072 токена. Поддерживаемые языки — английский и китайский, на них рассчитана смесь обучающих данных. Небольшой размер удобен для локального запуска, но модель может уступать крупным моделям в сложных математических и программных задачах и склонна к фактическим ошибкам. Ответы для медицинских и юридических решений требуют проверки. Лицензия — Llama 3.2.

KRLabsOrg LettuceDetect — модель для выявления галлюцинаций в ответах французского языка для приложений с генерацией, дополненной поиском (RAG). Она дообучена на EuroBERT-210M и принимает контекст вместе с ответом, отмечая на уровне токенов фрагменты ответа, не подтверждённые контекстом; предсказания можно объединять в spans для проверки источников и поиска неподтверждённых утверждений. Модель использует архитектуру EuroBERT для классификации токенов, содержит 211,7 млн параметров и поддерживает контекст до 8192 токенов. В оценке на переведённом наборе RAGTruth-FR указана F1-мера 65,70%; карточка сообщает, что версия 210M обрабатывает примеры примерно втрое быстрее варианта 610M. Модель ориентирована на французский язык и выпущена под лицензией MIT. Для загрузки требуется версия Transformers 4.x: README предупреждает, что удалённый код EuroBERT пока несовместим с Transformers 5.x. Показатель качества приведён для переведённого набора RAGTruth-FR и сам по себе не гарантирует такую же точность на других данных или языках.

Карточка модели hemanthdegapudi/LFM2.5-1.2B-Instruct на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-1.2B-Instruct, поэтому описание составлено по ней. LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

Карточка модели Yukang/Llama-2-13b-longlora-32k-ft на Hugging Face совпадает с карточкой Yukang/Llama-2-7b-longlora-32k-ft, поэтому описание составлено по ней. Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

mn-xlm-roberta-base-named-entity — модель 2rtl3, дообученная на базе xlm-roberta-base для классификации токенов и распознавания именованных сущностей. Она присваивает метки отдельным фрагментам текста; размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. По оценке на тестовом наборе указаны precision 0,9275, recall 0,9364, F1 0,9319 и accuracy 0,9783. Модель предназначена для извлечения сущностей из текста. Карточка не уточняет набор меток, обучающие данные и поддерживаемые естественные языки, поэтому качество для конкретных типов сущностей и языков нужно оценивать отдельно. Модель распространяется под лицензией MIT.

nesemenpolkov/msu-wiki-ner — модель для распознавания именованных сущностей в русскоязычном тексте. Автор дообучил Babelscape/wikineural-multilingual-ner на датасете RCC-MSU/collection3 для задачи классификации токенов. Модель на архитектуре BERT содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки BIO для персон, организаций и географических объектов. Модель подходит для извлечения имён людей, названий организаций и мест из русскоязычных документов. В карточке приведены результаты на валидации после трёх эпох: F1 — 0,968, точность — 0,963, полнота — 0,974. Эти показатели относятся к указанному набору данных; автор предупреждает, что на текстах на других языках качество может быть низким. Модель распространяется под лицензией, сведения о которой в предоставленных данных отсутствуют.

maxHPI90/multilingual-e5-base-iscedf-01 — дообученная командой maxHPI90 модель Sentence Transformer на базе isy-thl/multilingual-e5-base-learning-outcome-skill-tuned. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и оценки сходства, в том числе сопоставления описаний курсов с классификацией ISCED-F. Также модель подходит для поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов; сходство можно оценивать косинусной метрикой. Максимальная длина последовательности — 512 токенов. В README приведены результаты поиска по датасету ISCED-F: точность cosine_accuracy@1 — 0,6824, @3 — 0,8471, @5 — 0,9059. Лицензия в предоставленных данных не указана.

mschiesser/ner-bert-german — модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-multilingual-cased, дообучена на немецком наборе WikiANN и использует архитектуру BERT для классификации токенов. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель предназначена для выделения сущностей типов «человек», «организация» и «место» в немецких текстах. На оценочной выборке WikiANN указаны F1 0,8829 в целом, 0,9152 для персон, 0,8278 для организаций и 0,9067 для мест; точность составляет 0,9606, полнота — 0,8893. Опубликована под лицензией Apache-2.0.

Google PaliGemma 3B FT OCRVQA 448 — дообученная версия компактной модели компьютерного зрения и языка PaliGemma для визуальных вопросов и ответов с чтением текста на изображениях. Она принимает изображение и текстовый запрос, затем генерирует текстовый ответ. В основе PaliGemma лежат визуальная модель SigLIP и языковая модель Gemma; суффикс 448 обозначает вариант с разрешением изображений 448 пикселей. Модель предназначена для одношагового взаимодействия и лучше подходит для настройки под конкретную задачу, чем для диалога общего назначения. Основной сценарий — отвечать на вопросы по тексту, распознанному на изображении: например, извлекать сведения из вывесок, форм или скриншотов. Модель относится к семейству мультиязычных VLM, однако конкретный набор языков этой версии не уточнён. Для использования действуют условия лицензии Gemma. Возможны ошибки распознавания и ответов; модель может отражать смещения обучающих данных, а её результаты требуют проверки. Она не предназначена для многоходового общения, а качество без дополнительной настройки на целевую задачу может быть ограничено.

Mushari Alothman дообучил Qwen3-8B-Base методом supervised fine-tuning и выпустил разговорную причинно-следственную языковую модель на 7,6 млрд параметров. Модель предназначена для ответов на вопросы с вариантами выбора, контекстных вопросов и ответов, работы с RAG и выполнения общих инструкций на арабском и английском языках. Модель основана на архитектуре Qwen3 с плотной архитектурой и классом Qwen3ForCausalLM. Она принимает текст и генерирует текст, поддерживает чат, а её родной контекст составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. В карточке заявлена настройка на чистое и точное выполнение инструкций и вопросов на арабском и английском языках. Не рекомендуется использовать её для критически важных или требующих реакции в реальном времени решений; фактические ответы следует проверять.