I.1Поиск и навигация по информации

Dampfinchen объединил эту плотную языковую модель методом DARE TIES с помощью mergekit. В основе лежит NousResearch/Meta-Llama-3-8B; в слияние также вошли NousResearch/Meta-Llama-3-8B-Instruct и Dampfinchen/Llama-3-8B-Ultra-Instruct. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста. Автор стремился сохранить возможности Llama 3 Instruct и усилить ролевые диалоги, работу с RAG, немецким языком и написание историй. Указана лицензия llama3. Автор предупреждает, что модель может выдавать вредоносные ответы.

Patronus-Lynx-70B-Instruct — языковая модель Patronus AI на архитектуре Llama 3, дообученная на базе meta-llama/Meta-Llama-3-70B-Instruct. Она предназначена для оценки галлюцинаций в сценариях RAG: модель получает документ, вопрос и ответ и определяет, подтверждается ли ответ документом. Модель содержит 69,5 млрд параметров, принимает текст и генерирует текстовую оценку. В карточке указаны преимущественно английский язык и максимальная длина последовательности около 8 тысяч токенов; в метаданных контекст указан как 8192 токена. Для обучения использовались, среди прочего, CovidQA, PubmedQA, DROP и RAGTruth, с ручными и синтетическими аннотациями. Модель оценивалась на HaluBench. Модель опубликована в формате safetensors и предназначена для использования через Transformers. Лицензия CC BY-NC 4.0 допускает использование с ограничением на коммерческое применение.

LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

LongReward-glm4-9b-DPO — чат-модель на архитектуре GLM, разработанная командой LongReward и дообученная методом DPO для работы с длинным контекстом. Она предназначена для генерации ответов и диалога, в том числе с использованием интерфейса вызова инструментов. Модель обучена на предпочтениях из раздела dpo_glm4_9b датасета LongReward-10k и поддерживает контекст до 65 536 токенов. Модель содержит 8,8 млрд параметров, использует библиотеку Transformers и опубликована в формате safetensors. В карточке указаны английский и китайский языки. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории. Данных о качестве на конкретных задачах в карточке нет.

LUKE-large — предварительно обученная модель понимания языка, разработанная исследователями, представившими LUKE (Language Understanding with Knowledge-based Embeddings). Она использует трансформер с механизмом entity-aware self-attention: слова и сущности в тексте рассматриваются как отдельные токены, а их типы учитываются при вычислении внимания. Модель содержит 454,1 млн параметров по метаданным; в README указано 483 млн. Архитектура включает 24 слоя со скрытым размером 1024, а базовое обучение проводилось на англоязычной Википедии за декабрь 2018 года. Основная задача в карточке Hugging Face — заполнение пропусков в тексте. Представления LUKE также применялись для извлечения ответов на вопросы, распознавания именованных сущностей, классификации отношений и определения типов сущностей; README приводит результаты на SQuAD, CoNLL-2003, ReCoRD, TACRED и Open Entity. Модель ориентирована на английский язык и имеет контекст до 514 токенов. Доступна в формате PyTorch по лицензии Apache-2.0.

MyAwesomeModel — модель на базе Transformers с тегом архитектуры BERT, предназначенная для извлечения признаков из текста. В метаданных Hugging Face её основной pipeline отмечен как feature-extraction, поэтому модель может использоваться для получения векторных представлений текста в задачах последующей классификации, поиска сходства и семантического анализа. README также заявляет об улучшениях рассуждений, генерации, программировании, математике, диалоге, суммаризации и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline feature-extraction и не подтверждают конкретную архитектуру, размер или контекст модели. Разработчик в предоставленных данных не идентифицирован. Модель распространяется под лицензией MIT и предназначена для использования с библиотекой Transformers и PyTorch.

NERmembert-base-4entities — модель CamemBERT, дообученная Лоиком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она размечает токены и выделяет четыре типа сущностей: людей (PER), организации (ORG), места (LOC) и прочие именованные сущности (MISC). Модель обучена на объединённом и очищенном наборе frenchNER_4entities примерно из 385 тысяч предложений, собранном из четырёх французских датасетов NER. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель принимает текст и возвращает метки сущностей для его фрагментов. Её можно использовать для извлечения имён людей, организаций и географических названий из французских документов, новостей и других текстов. Модель выпущена под лицензией MIT.

NERmembert-large-4entities — модель CamemBERT large, дообученная Лои́ком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она присваивает метки токенам и выделяет четыре типа сущностей: людей (PER), организации (ORG), географические названия (LOC) и прочие сущности (MISC).

Модель samandar1105/news-classifier — классификатор новостных статей на основе DistilBERT, дообученный на датасете AG News из 120 000 обучающих примеров. Она относит текст к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель предназначена для автоматической тематической сортировки новостей и разметки новостных потоков. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. В README указаны accuracy и F1 по 0,9447; лицензия в предоставленных данных не приведена.

Orchestrator-8B GGUF — модель оркестрации инструментов и экспертных моделей, разработанная NVIDIA и University of Hong Kong. Эта версия распространяется пользователем Mungert в формате GGUF и создана с использованием llama.cpp. В основе лежит 8-миллиардная decoder-only Transformer-модель Qwen3-8B, обученная на GeneralThought-430K и ToolScale. Заявленный язык модели — английский; поддерживается генерация текста. Модель предназначена для сложных многошаговых и многоходовых агентских задач, в которых требуется координировать неоднородные инструменты, включая поиск, выполнение кода, а также специализированные и универсальные LLM. При обучении применялось многоцелевое обучение с подкреплением GRPO, оптимизирующее точность, задержку, стоимость и соответствие пользовательским предпочтениям. Разработчики заявляют об обобщении на ранее не встречавшиеся инструменты и конфигурации ценообразования. Согласно README, на Humanity’s Last Exam модель получила 37,1% и демонстрировала более высокую эффективность по сравнению с рядом крупных монолитных моделей, включая GPT-5, Claude Opus 4.1 и Qwen3-235B-A22B; также приводятся результаты на FRAMES и τ²-Bench. Конкретный размер контекста и характеристики модальностей не указаны. GGUF-файл подвергнут квантованию с выборочным повышением точности отдельных слоёв, что может улучшать качество при ограниченной разрядности ценой увеличения размера файла. Модель предназначена только для исследований и разработок и распространяется по лицензии Apache 2.0.

MaziyarPanahi/Phi-3-Context-Obedient-RAG-GGUF — это квантизированная версия языковой модели TroyDoesAI/Phi-3-Context-Obedient-RAG, подготовленная MaziyarPanahi в формате GGUF. Модель предназначена для генерации текста и диалоговых сценариев, в том числе задач retrieval-augmented generation (RAG), где требуется работать с предоставленным контекстом и следовать ему. Модель относится к семейству Phi-3; README не указывает точный размер, архитектурные параметры, длину контекста, поддерживаемые языки или мультимодальные возможности. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством. Формат GGUF поддерживается llama.cpp и совместимыми инструментами, включая llama-cpp-python, LM Studio и text-generation-webui, поэтому модель подходит для локального запуска и интеграции в приложения. Сильными сторонами являются локальное использование, широкий выбор уровней квантизации и специализация исходной модели на контекстно-ориентированной генерации для RAG. Ограничения включают отсутствие в README подробных результатов оценки, характеристик производительности и гарантии качества для конкретных языков или прикладных сценариев. Для модели указана лицензия CC BY-SA 4.0.

Prem-1B — компактная языковая модель семейства Llama, разработанная Prem AI. Модель содержит 1 млрд параметров, имеет архитектуру LlamaForCausalLM и контекстное окно до 8192 токенов; для работы доступны веса в формате Safetensors и библиотека Transformers. Модель предназначена для генерации текста и приложений с дополненной поиском генерацией (RAG), где она может учитывать предоставленные во время работы сведения. Серия включает варианты для диалогового взаимодействия в роли виртуального помощника; предварительно обученные варианты можно адаптировать к другим задачам генерации естественного языка. В README заявлена ориентация на английский язык. В опубликованном сравнении Prem-1B уступает TinyLlama-1.1B-Chat-v1.0 по среднему результату приведённых бенчмарков. Карточка предупреждает о рисках и ограничениях, включая возможные смещения, и рекомендует учитывать их при использовании. Лицензия в метаданных указана как Apache 2.0; README также ссылается на условия Community License и Acceptable Use Policy, поэтому перед коммерческим применением следует сверить действующие условия репозитория.

crabz/slovakbert-ner — словацкая модель распознавания именованных сущностей, разработанная дообучением gerulata/slovakbert на наборе WikiANN. Она использует архитектуру RoBERTa и содержит около 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель размечает в словацком тексте имена людей, названия организаций и географические объекты. Её можно применять для извлечения сущностей из новостей и других текстов на словацком языке; в README приведены примеры использования через Transformers pipeline. На оценочном наборе указаны F1 0,9398 и точность 0,9785. Модель принимает текст и выдаёт метки токенов. Она обучена на WikiANN, поэтому качество на других жанрах и текстах может отличаться от приведённых оценок. Лицензия — MIT.

FrancescoPeriti/TRoTR-multi-qa-mpnet-base-cos-v1 — дообученная модель предложений на базе sentence-transformers/multi-qa-mpnet-base-cos-v1 для оценки тематической близости контекстов, в которых повторно используется текст. Она преобразует тексты в плотные векторные представления и сравнивает их косинусное сходство; в карточке приведён пример сравнения контекстов библейских цитат. Модель построена на MPNet, содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для задач TRoTR по анализу тематической связанности и изменения контекста при повторном использовании текста. Её можно применять для сравнения контекстов, семантического сопоставления предложений и поиска тематически близких фрагментов. Указанная лицензия — CC BY-SA 4.0. Карточка демонстрирует английские примеры и указывает английский язык.

Модель Unified Multilingual NER разработана Ришабхом Кумаром и дообучена на базе microsoft/mdeberta-v3-base для многоязычного распознавания именованных сущностей. Она выполняет классификацию токенов и выделяет сущности 47 категорий, используя 95 BIO-меток. Веса LoRA объединены с базовой моделью; архитектура относится к DeBERTa V2, размер по метаданным — 306 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения персон, организаций, мест, событий, продуктов и других сущностей из новостей, веб-текстов, социальных сетей и материалов Википедии, а также для построения графов знаний и многоязычных NLP-конвейеров. Заявлена поддержка 15 языков: английского, испанского, французского, немецкого, итальянского, португальского, шведского, нидерландского, польского, русского, бенгальского, хинди, фарси, китайского и украинского. В README приведены оценки на тестовых наборах; результаты зависят от языка и источника данных. Модель распространяется по лицензии MIT. Она не предназначена для специализированного распознавания сущностей в юридических, финансовых или клинических текстах без дополнительной адаптации; для языков вне заявленного списка качество не подтверждено.

XLNet base-cased — англоязычная предварительно обученная языковая модель, разработанная авторами XLNet и впервые выпущенная в этом репозитории. Она содержит 137,8 млн параметров, построена на архитектуре Transformer-XL и использует обобщённое авторегрессионное предобучение с перестановками токенов. Доступны веса PyTorch и TensorFlow; модель обучалась на BookCorpus и Wikipedia. Модель предназначена прежде всего для дообучения под задачи понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и ранжирование документов. В метаданных Hugging Face для неё указан тег text-generation, однако карточка советует для генерации рассматривать GPT-2, а XLNet использовать для задач, где решение опирается на целое предложение или его контекст. Модель распространяется по лицензии MIT.

ALIGN base — мультимодальная модель Kakao Brain для сопоставления изображений и текста. Она использует архитектуру с двумя энкодерами: EfficientNet кодирует изображения, а BERT — текст; контрастивное обучение сближает представления соответствующих пар. Реализация повторяет архитектуру и гиперпараметры оригинальной ALIGN, но обучена на открытом наборе COYO-700M из 700 миллионов пар изображений и текстовых описаний. Модель предназначена для классификации изображений по произвольным текстовым меткам без обучения на конкретных классах, а также для мультимодального поиска и получения эмбеддингов изображений и текста. Её можно применять в исследованиях обобщения, устойчивости и смещений моделей компьютерного зрения. В карточке указана поддержка английского языка. Лицензия в предоставленных данных не указана.

AMALIA-9B-1225-DPO — открытая языковая модель, разработанная консорциумом португальских университетов и исследовательских центров при участии NOVA University Lisbon, Instituto Superior Técnico, университетов Коимбры, Порту и Минью, а также Foundation for Science and Technology (FCT). Модель создана для европейского португальского языка и основана на плотной архитектуре LlamaForCausalLM; содержит 8,6 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой помощи и выполнения инструкций на европейском португальском: ответов на вопросы, суммаризации, написания и переписывания текстов, перевода и генерации текста. Её также можно использовать в исследованиях португальского языка и адаптировать для прикладных проектов, в том числе с поисковым дополнением генерации (RAG). Обучение включало предварительное обучение, SFT и настройку предпочтений методом DPO. AMALIA оптимизирована для европейского португальского; качество для других вариантов португальского и языков не следует считать равнозначным. Модель может выдавать недостоверные, предвзятые или вредоносные ответы, поэтому факты нужно проверять, а для чувствительных сценариев требуются человеческий контроль и дополнительные меры безопасности. Лицензия — Apache-2.0.

arabic-MARBERT-news-article-classification — модель Ammar-alhaj-ali для классификации арабских новостных статей. Это дообученная MARBERT на базе архитектуры BERT модель классификации последовательностей объёмом 190 млн параметров с контекстом до 512 токенов. Модель относит статью к одной из семи категорий: культура, финансы, медицина, политика, религия, спорт или технологии. Она предназначена для тематической разметки арабских новостей и построения каталогов или потоков новостей по рубрикам. Обучение проводилось на наборе SANAD: Single-Label Arabic News Articles Dataset. Для работы требуются входной текст статьи; результатом служит метка класса. Репозиторий содержит веса PyTorch и карточка предлагает использовать модель через Transformers pipeline. Лицензия в доступных данных не указана.

ASTRA-32B-Thinking-v1 — дообученная модель на основе Qwen/Qwen3-32B, представленная авторами работы ASTRA: Automated Synthesis of Agentic Trajectories and Reinforcement Arenas. Это плотная языковая модель семейства Qwen3 на 29,7 млрд параметров с контекстом до 133 120 токенов, предназначенная для многошаговых задач с вызовом инструментов и структурированными рассуждениями. Модель обучали в два этапа: на примерах многоходового использования инструментов, а затем с помощью обучения с подкреплением и проверяемыми наградами в исполняемых средах. Модель рассчитана на агентные сценарии: планирование последовательностей вызовов инструментов, работу с их схемами и выполнение сложных задач в несколько шагов. В README заявлен результат уровня state of the art на многоходовой подвыборке BFCL-V3 для сопоставимого масштаба моделей. Метаданные также указывают интерфейс диалога и вызова инструментов. Модель распространяется под лицензией Apache-2.0; авторы описывают её как предназначенную для исследований и обучения и снимают с себя ответственность за последствия использования.

textattack/bert-base-uncased-STS-B — англоязычная модель классификации текста, опубликованная TextAttack. Это BERT-base uncased с архитектурой BertForSequenceClassification, дообученный для оценки семантического сходства пар предложений на датасете STS-B. Модель принимает текстовые пары и предсказывает оценку сходства; в каталоге Hugging Face для неё указан pipeline text-classification. Размер — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для сравнения смысловой близости предложений и экспериментов с оценкой семантического сходства. Она рассчитана на английский текст: вариант uncased не различает регистр. Ограничения включают предел контекста в 512 токенов и узкую настройку под STS-B; карточка Hugging Face не содержит подробных сведений о лицензии.

BERT-Wiki-Paragraphs — модель классификации пар абзацев, разработанная Сатьей Алмасианом, Деннисом Аумиллером, Люсьен-Софи Марме и Михаэлем Герцем. Она оценивает, относятся ли два абзаца к одной теме, и предназначена для проверки тематической связности текста и сегментации документов на смысловые части. Модель основана на BERT и дообучена на парах абзацев из Википедии с использованием слабого автоматического надзора: абзацы одного раздела считаются тематически связанными. Веса содержат около 136,7 млн параметров; модель принимает текст и выдаёт метку классификации. Контекст ограничен 512 токенами, а при обработке длинных пар применяется усечение longest-first. Доступна под лицензией MIT.

Карточка модели Masterjorj/bge-m3-legal-ru-cocktail-40-60-bel на Hugging Face совпадает с карточкой Roflmax/bge-m3-legal-ru-cocktail-40-60, поэтому описание составлено по ней. Roflmax/bge-m3-legal-ru-cocktail-40-60 — русскоязычная модель эмбеддингов для поиска и сравнения юридических документов, разработанная на основе двух дообученных вариантов BGE-M3. Она создана методом LM-Cocktail: веса моделей Roflmax/bge-m3-russian-legal и Roflmax/bge-m3-legal-ru-updata объединены в пропорции 40/60. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; в метаданных указаны задачи sentence-similarity и feature-extraction. Модель предназначена для семантического поиска по судебным решениям, федеральным законам и региональным нормативным актам, а также для поиска похожих документов, кластеризации и классификации по сходству эмбеддингов. Для сравнения векторов рекомендуется косинусное сходство. README сообщает о Recall@5 91,79% на тестовом наборе из 7 187 примеров и указывает, что запросы можно кодировать без префиксов. Метаданные указывают контекст до 8194 токенов, тогда как README рекомендует ограничивать последовательность 512 токенами и разбивать более длинные документы на фрагменты. Модель оптимизирована для русского языка и юридического домена; на текстах из других областей качество может быть ниже. Данные о давности обучающей выборки не приведены. Лицензия — MIT.

Breexe-8x7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, дообученная для выполнения пользовательских инструкций на основе Breexe-8x7B-Base, который расширяет Mixtral-8x7B. Модель предназначена прежде всего для традиционного китайского языка, также поддерживает английский. Она подходит для ответов на вопросы, многошагового диалога, суммаризации и работы с RAG-сценариями. Метаданные указывают архитектуру Mixtral с разреженной смесью экспертов (MoE), 7,2 млрд параметров и контекст до 32 768 токенов; в README также приведено значение 8 тыс. токенов, поэтому фактическую длину контекста следует проверять для конкретной конфигурации. Расширенный словарь токенизатора, по данным разработчика, ускоряет обработку традиционного китайского языка относительно Mixtral-8x7B. README сообщает о результатах на бенчмарках китайского и английского языков на уровне GPT-3.5-turbo-1106, но не приводит здесь подробностей измерений. Модель выпущена в версии 0.1 и распространяется по лицензии Apache-2.0. Она не предназначена для обработки изображений или аудио; разработчик также отмечает, что в диалоговом режиме нет специальной обработки вредоносных запросов.

Мультиязычная модель sentence-transformers для сопоставления изображений с текстом в общем плотном векторном пространстве. Разработана командой sentence-transformers на основе OpenAI CLIP-ViT-B-32: текстовый энкодер DistilBERT обучен методом мультиязычной дистилляции, а энкодер изображений CLIP оставлен без изменений. Модель подходит для поиска изображений по текстовому запросу и мультиязычной классификации изображений без дообучения: названия классов задаются текстом. Текстовая часть рассчитана на 50+ языков; для русского это позволяет искать изображения и задавать текстовые метки на русском. Контекст составляет 512 токенов. Доступны реализации и веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Мультиязычная версия выравнивает текстовые представления с пространством оригинального CLIP, но качество может различаться между языками: README предупреждает, что на языках за пределами набора выравнивания результаты могут быть хуже. Лицензия — Apache-2.0.

dinghy-law-0.6b — плотная текстовая embedding-модель Hanno-Labs на 507,6 млн параметров, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска по юридическим документам. Она создаёт вектор размерности 1024 для входного текста и предназначена для семантического поиска, первого этапа извлечения и ранжирования в юридических RAG-системах, а также сопоставления и группировки правовых текстов. Модель использует архитектуру Qwen3 и библиотеку sentence-transformers; длина контекста по умолчанию — 8192 токена, с возможностью увеличить её до 32768. Контрастивное дообучение охватывает юридические тексты на английском, немецком и китайском языках. В описанной авторами оценке MTEB(Law, v1) модель получила 65,88 по Mean(Task) nDCG@10; это собственное измерение авторов, а не официальное место в рейтинге. Модель рассчитана на локальный запуск, в том числе на CPU без GPU, и подходит для поиска по законам, судебной практике и договорам. Она не генерирует текст и не предоставляет юридических консультаций. Среди ограничений авторы отмечают отставание на поиске по немецким судебным делам и длинных документах, а также небольшое снижение качества некоторых задач общего поиска по сравнению с базовой моделью. Поддержка за пределами английского, немецкого и китайского юридического текста не подтверждена. Лицензия — Apache-2.0.

Euler-Legal-Embedding-V1 — специализированная модель текстовых эмбеддингов для юридической тематики, созданная дообучением Qwen/Qwen3-Embedding-8B. Она предназначена для семантического поиска по правовым материалам и извлечения релевантных документов; автор сообщает о сильных результатах на задачах юридического поиска и рассуждений в бенчмарке MTEB. Модель использует архитектуру Qwen3 с плотными весами и содержит около 7,6 млрд параметров. Она формирует векторы размерности 4096, применяя pooling последнего токена. В README указан максимальный размер входа 1536 токенов; метаданные каталога указывают нативный контекст базовой модели 40960 токенов, поэтому фактический предел для этой специализированной версии может зависеть от используемой конфигурации. В метаданных заявлена поддержка английского и многоязычия. Модель подходит для построения юридического семантического поиска и ранжирования документов. Она распространяется по лицензии Apache-2.0. README не приводит численных результатов MTEB или подробностей состава обучающего набора, кроме его юридической направленности.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

aadhistii/IndoBERT-NER — модель для распознавания именованных сущностей в индонезийском тексте. Автор дообучил indolem/indobert-base-uncased на корпусе id_nergrit_corpus; модель построена на архитектуре BERT и содержит 137,8 млн параметров. Она принимает текст и размечает токены категориями сущностей: людей, организаций, географических объектов, дат, времени, денежных сумм, законов, событий, товаров и другими. Контекст модели — до 512 токенов. Модель предназначена для извлечения сущностей из индонезийских документов и текстов. В карточке приведены результаты оценки, включая F1 0,8253 на обучающей выборке и потери на обучающей и валидационной выборках; отдельная метрика на тестовой выборке не указана. Репозиторий содержит модель в формате TensorFlow, библиотека для работы — Transformers. Лицензия — MIT.

MuXodious/LFM2.5-1.2B-Thinking-absolute-heresy — это дообученная версия LFM2.5-1.2B-Thinking от Liquid AI, созданная с помощью инструмента Heretic (v1.1.0) и экспериментального алгоритма abliteration. Модель сохраняет текстовую архитектуру LFM2 и предназначена для генерации ответов в диалогах и рассуждений; карточка также рекомендует её для агентных сценариев, извлечения данных и RAG. В метаданных указаны 1,5 млрд параметров, контекст до 128 000 токенов и поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модель поставляется в формате Safetensors и рассчитана на работу через Transformers. В карточке приведены результаты abliteration: число отказов снизилось с 99 до 5 из 100, а KL-дивергенция составила 0,0093; автор отмечает, что классификация «Absolute Heresy» условна и не отражает качество модели. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.