I.1Поиск и навигация по информации

maticzav/legal-bert-embedding — модель Sentence Transformers, дообученная на базе nlpaueb/legal-bert-base-uncased для представления юридических предложений и абзацев в виде плотных векторов. Архитектура основана на BERT с усреднением токенных эмбеддингов; модель содержит 136,7 млн параметров, выдаёт векторы размерности 768 и использует косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для сравнения юридических текстов по смыслу, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. README приводит результаты оценки сходства на наборе contradiction-eval: корреляция Спирмена для косинусного сходства составила 0,6328. Обучение описано на 4 371 парах из датасета json, но его происхождение и репрезентативность не раскрыты. Базовая модель и обучающий контекст ориентированы на английские юридические тексты, поэтому применимость к другим языкам не подтверждена. Лицензия в предоставленных данных не указана.

Severian/Mistral-v0.2-Nexus-Internal-Knowledge-Map-7B — дообученная модель на архитектуре Mistral, созданная с помощью Unsloth на наборе Internal Knowledge Map. Модель предназначена для генерации текста и диалоговых ответов на основе сведений, представленных в обучающих Markdown-документах. В карточке отмечено, что влияние датасета заметно в ответах, а формат промпта может влиять на результат; лучше всего автору подошёл шаблон с разделами «### Prompt:» и «### Response:».

OLAResearch разработала OLAF2-14B — корейскую языковую модель на 14 млрд параметров, дообученную на Qwen/Qwen2.5-14B-Instruct. Модель предназначена для диалогов, генерации текста, сложных рассуждений и решения математических задач; README отдельно описывает режим рассуждений для STEM-задач и пошаговых ответов. Модель использует плотную архитектуру Qwen2 и принимает текст, выдавая текст. Контекст — до 32 тыс. токенов. Карточка заявляет поддержку корейского языка, а метаданные указывают интерфейс чата и вызова инструментов. Формат весов — safetensors; лицензия — Apache-2.0.

Qwen3-0.6B-ToolCalling-Claude-4.6-Opus-Distilled-v1 — дообученная модель на базе Qwen/Qwen3-0.6B от diverWayne для генерации текста, рассуждений и вызова инструментов. Обучение включало SFT на данных вызова инструментов и рассуждений, затем DPO для улучшения выбора между вызовом инструмента и обычным ответом, а также форматирования аргументов. В репозитории есть LoRA-адаптер, объединённые веса Safetensors и GGUF в форматах F16 и Q6_K. Модель предназначена для диалоговых приложений и сценариев, где нужно выбирать подходящий инструмент и формировать аргументы вызова. В карточке указана английская языковая поддержка; базовая Qwen3 описана как многоязычная, но языки этой донастройки отдельно не перечислены. README сообщает о длине последовательности 16 384 токена при SFT; это параметр обучения, а не подтверждённый предел контекста при использовании. В краткой проверке When2Call модель набрала 67% на выборке из 100 примеров, а встроенные проверки вызова функций показали 3 из 4 для выбора инструмента и корректности формата. Эти результаты ограничены размером и составом проверок. Известный недостаток — модель может вызывать инструменты, когда в запросе не хватает обязательных данных. Лицензия — Apache-2.0.

google/tapas-tiny-finetuned-wtq — компактная модель TAPAS от Google для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, преобразованную в последовательность текста, и определяет нужные ячейки и способ агрегировать их значения. Модель основана на архитектуре, подобной BERT, содержит 4,4 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предварительно обучалась на английских таблицах и сопутствующих текстах, а затем последовательно дообучалась на SQA, WikiSQL и WikiTable Questions (WTQ). По сравнению с обычной языковой моделью TAPAS учитывает структуру таблицы и поддерживает числовое рассуждение; версия по умолчанию сбрасывает позиционные индексы в каждой ячейке. Подходит для извлечения ответов и значений из англоязычных таблиц. Опубликована по лицензии Apache-2.0. Качество зависит от соответствия таблиц и вопросов обучающим данным; ограничение в 512 токенов сужает размер таблицы, которую можно обработать за один запрос.

ViSigLIP-OT — мультимодальная модель для поиска соответствий между изображениями и текстом на вьетнамском языке, разработанная как вариант семейства ViCLIP-OT. Это двухэнкодерная модель на 221 млн параметров: текстовый энкодер основан на Vietnamese-SBERT, а визуальный — на DINOv3 ViT-B/16. Для выравнивания представлений изображений и текста используется обучение в стиле SigLIP вместе с функцией потерь Similarity-Graph Regularized Optimal Transport (SIGROT). Модель принимает изображения размером 224 × 224 пикселя и текст длиной до 256 токенов, а выдаёт совместимые векторные представления. Модель предназначена для поиска изображений по вьетнамским текстовым запросам и поиска текстов по изображениям, семантического поиска между модальностями и извлечения признаков для последующих задач компьютерного зрения. В README заявлены высокие результаты на тестах поиска изображение–текст и обобщение zero-shot. Репозиторий распространяется под лицензией GPL-3.0.

Модель GreenMap/xlm-roberta-large-qa-ru-product-specs — русскоязычная модель для извлечения характеристик товаров из неструктурированных описаний. Она создана на основе XLM-RoBERTa Large и дообучена для extractive question answering: получает вопрос о характеристике и текст описания, затем возвращает соответствующий фрагмент исходного текста. Модель подходит для извлечения размеров, материалов и параметров из зашумлённых товарных данных, например для заполнения полей каталога. Архитектура — XLM-RoBERTa для вопросно-ответной задачи, размер — 658,7 млн параметров, длина контекста — 514 токенов. В карточке указана лицензия Apache-2.0.

alpindale/c4ai-command-r-plus-GPTQ — GPTQ-вариант модели C4AI Command R+, разработанной Cohere и Cohere For AI. Базовая модель представляет собой авторегрессионную языковую модель на оптимизированной архитектуре Transformer с 104 миллиардами параметров и контекстом до 128K токенов. После предварительного обучения она прошла supervised fine-tuning и обучение на предпочтениях для повышения полезности и безопасности ответов. Модель предназначена для генерации текста, рассуждений, суммирования, ответов на вопросы, Retrieval Augmented Generation и многошагового использования инструментов. Она оптимизирована для английского, французского, испанского, итальянского, немецкого, бразильского португальского, японского, корейского, арабского и упрощённого китайского языков; в предобучающие данные также входили русский и другие языки. Входом и выходом служит только текст. Сильные стороны — большой контекст, мультиязычность, поддержка RAG и сложных цепочек вызова инструментов. Ограничения и точные характеристики GPTQ-квантизации в представленном README не указаны. Использование регулируется лицензией CC-BY-NC-4.0 и политикой допустимого использования C4AI.

StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

GigaChat 3.1 Ultra — крупная инструктивная языковая модель семейства GigaChat, представленная в репозитории ai-sage. Она предназначена для многоязычных диалогов, рассуждений, программирования и вызова инструментов. Архитектура — MoE с 702 млрд параметров всего и 36 млрд активных при генерации; модель использует Multi-head Latent Attention и Multi-Token Prediction. По README, версия рассчитана на развёртывание на крупных вычислительных кластерах и локальную инфраструктуру. В метаданных указаны архитектура DeepSeek V3, формат safetensors, контекст 262 144 токена и поддержка русского и английского языков. Модель подходит для диалогового помощника, решения сложных задач, генерации кода и агентных сценариев с исполняемыми вызовами инструментов. README описывает усиленную подготовку данных по математике, финансам, естественным наукам, инженерии и медицине, а также улучшения для поиска с цитированием и работы с файлами. Репозиторий лицензирован по MIT. Для запуска требуются значительные вычислительные ресурсы; конкретные показатели качества зависят от сценария и приведённых в карточке оценок.

Granite-3.1-3B-A800M-Instruct — языковая модель IBM Granite Team для выполнения общих инструкций и создания диалоговых ассистентов. Это дообученная версия Granite-3.1-3B-A800M-Base: метаданные относят её к семейству Granite MoE, а README описывает decoder-only архитектуру с GQA, RoPE, SwiGLU и RMSNorm. В репозитории указано 352,3 млн параметров и контекст до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций. Она поддерживает диалоги на английском, немецком, испанском, французском, японском, португальском, арабском, чешском, итальянском, корейском, нидерландском и китайском языках; также подходит для анализа длинных документов и записей встреч. README указывает, что обучение инструкциям преимущественно велось на английском, поэтому качество на других языках может быть ниже. Модель принимает текст и генерирует текст. Она выпущена под лицензией Apache 2.0. Ответы могут быть неточными, предвзятыми или небезопасными; для конкретных сценариев нужны проверка и настройка.

K-EXAONE-2.0-750B-A37B — мультиязычная языковая модель общего назначения, разработанная LG AI Research. Это модель семейства EXAONE с архитектурой MoE для генерации текста и диалогов; в репозитории представлены веса Safetensors, а общий размер модели по метаданным составляет 34,1 млрд параметров. Нативная длина контекста — 262 144 токена. Модель предназначена для рассуждений, агентных сценариев, помощи в программировании, понимания длинных текстов и поиска сведений в контексте. Она поддерживает корейский, английский, испанский, немецкий, японский, вьетнамский, французский, итальянский, польский и португальский языки. В README также описаны методы ускорения генерации MTP и DSpark и развертывание на нескольких узлах с GPU. Модель может генерировать некорректные, устаревшие, предвзятые или нежелательные ответы, поэтому результаты следует проверять. Распространяется по лицензии Apache 2.0.

NVIDIA Nemotron-3-Super-120B-A12B — большая языковая модель NVIDIA для диалога, рассуждений и агентных приложений. Она предназначена для сложного следования инструкциям, работы с кодом, чат-ботов, систем RAG и автоматизации задач, включая обработку IT-заявок; также поддерживает вызов инструментов и сценарии с длинным контекстом. Модель построена на гибридной архитектуре LatentMoE, сочетающей Mamba-2, смеси экспертов и слои внимания, и использует Multi-Token Prediction для ускорения генерации. В карточке указано 120 млрд параметров, из которых активны 12 млрд; репозиторий содержит BF16-вариант, а обучение использовало NVFP4. Контекст в метаданных каталога — 262 144 токена; README заявляет поддержку до 1 млн токенов. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель дообучена на базе nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 и распространяется в формате safetensors. NVIDIA указывает готовность к коммерческому применению, однако метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии репозитория.

GigaChat 3.1 Lightning — компактная instruct-модель семейства GigaChat 3.1 от ai-sage. Это модель класса Mixture-of-Experts с архитектурой DeepSeek V3: 10 млрд параметров, из которых при генерации активны 1,8 млрд. В этой версии веса представлены в BF16; используются Multi-head Latent Attention для сокращения KV-кэша и Multi-Token Prediction, которое может ускорять декодирование. Контекст составляет до 262 144 токенов. Модель предназначена для многоязычных диалогов и инструкций, рассуждений, программирования, вызова функций и развёртывания в прикладных продуктах. Карточка указывает поддержку русского и английского; обучающий корпус семейства охватывает 10 языков. Среди описанных сценариев — работа с поиском и цитированием, интерпретация кода с учётом файлов и диалоги с инструментами. Репозиторий использует Transformers и формат safetensors. Разработчик сообщает об улучшениях на задачах математики, программирования и других сложных областях, а также о высокой скорости генерации; приведённые результаты зависят от бенчмарка и конфигурации оборудования. Лицензия — MIT. Модель может ошибаться, а заявленные характеристики скорости требуют подходящей инфраструктуры и поддержки MTP в используемом движке.

NVIDIA Nemotron Parse 2.0 — разработанная NVIDIA мультимодальная модель для преобразования изображений документов в структурированное представление. Это модель типа vision encoder–decoder: визуальный энкодер ViT-H на основе NVIDIA C-RADIO передаёт признаки через адаптер на декодер mBART из 10 блоков. На вход подаются RGB-изображение документа и текстовый запрос; на выходе — текстовая строка с распознанным содержимым, классами элементов, координатами рамок и порядком чтения. Модель предназначена для OCR и анализа сканов или отрисованных PDF, слайдов, форм, отчётов, таблиц и смешанных страниц. Она поддерживает многоязычное распознавание, включая китайские, японские и корейские тексты, а также индийские письменности; улучшена работа с рукописным текстом, таблицами и преобразованием диаграмм в структурированный текст. Результаты можно использовать для поиска по документам, извлечения данных, аналитики, подготовки обучающих данных и проверки человеком. В репозитории доступны варианты постобработки таблиц в LaTeX, HTML, Markdown, JSON и CSV. Модель можно запускать через Transformers или vLLM; она оптимизирована для систем с GPU NVIDIA. Лицензия модели — OpenMDW-1.1; README заявляет возможность коммерческого и некоммерческого использования. Лицензия токенизатора — CC-BY-4.0. В карточке не приведены число параметров и длина контекста, поэтому они здесь не указаны.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic — текстовая дообученная модель на архитектуре Qwen3.5-9B, опубликованная llmfan46. Она предназначена для генерации ответов с рассуждениями и агентных сценариев с вызовом инструментов, включая вычисления, поиск фактов и работу с большими наборами документов или кодом. В README описана поддержка формата вызова функций Qwen3.5 и контекстное окно до 1 048 576 токенов с YaRN; автор сообщает о проверке на контекстах примерно до 137 тысяч токенов. Модель имеет 9 млрд параметров и обучена методом полного supervised fine-tuning на текстовых данных; визуальная часть унаследована от базы, но не дообучалась и не тестировалась. Архитектура базы мультимодальная, однако основная карточка и pipeline ориентированы на генерацию текста. Указаны английский язык и лицензия Apache 2.0. Автор предупреждает о возможных повторах при жадном декодировании и низкой температуре, а также о небольшом снижении качества на коротком контексте из-за YaRN.

Карточка модели exolabs/Step-3.7-Flash-IQ3_XXS-dequant-bf16-vllm на Hugging Face совпадает с карточкой stepfun-ai/Step-3.7-Flash, поэтому описание составлено по ней. StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

Карточка модели exolabs/Step-3.7-Flash-IQ4_XS-dequant-bf16-vllm на Hugging Face совпадает с карточкой stepfun-ai/Step-3.7-Flash, поэтому описание составлено по ней. StepFun разработала Step 3.7 Flash — мультимодальную модель со смесью экспертов (MoE), предназначенную для высоконагруженных рабочих процессов. Она содержит 198 млрд параметров, из которых около 11 млрд активируются на каждом токене; включает языковую часть на 196 млрд параметров и визуальный энкодер на 1,8 млрд. Модель принимает изображения и текст, поддерживает контекст до 256 тыс. токенов и три уровня рассуждений: низкий, средний и высокий. Модель предназначена для понимания изображений, анализа больших документов, многошагового поиска и проверки фактов, оркестрации инструментов и API, а также для задач разработки ПО — например, поиска ошибок в репозиториях и подготовки исправлений. Заявленная скорость генерации достигает 400 токенов в секунду. Карточка описывает её как модель для производственных нагрузок; доступны варианты развёртывания через облачные платформы и локальные средства инференса. Репозиторий использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0. В метаданных указан английский язык; README не подтверждает поддержку других естественных языков.

Apodex-1.1-mini — reasoning-first модель для сложных исследовательских и агентских задач, разработанная Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для долгих многоэтапных сценариев: работы с научными статьями, наборами данных, таблицами, изображениями и кодом, выполнения анализа, использования инструментов и подготовки проверяемых результатов. Она поддерживает английский и китайский языки и относится к моделям генерации текста. Модель рассчитана на агентское использование с нативным вызовом функций, планированием, координацией параллельных подагентов и сохранением состояния задачи. В экосистеме Apodex предусмотрены проверка утверждений по источникам, данным и вычислениям, а также корректировка результатов при обнаружении недостаточных или противоречивых доказательств. Заявленный контекст составляет до 262144 токенов, рекомендуемый лимит генерации — до 32768 токенов. Сильные стороны модели — выполнение комплексных задач от исходных материалов до итоговых артефактов, работа с инструментами и встроенная проверка результатов. Ограничения связаны с тем, что качество зависит от настроек серверного развёртывания, доступных инструментов и корректности внешних данных; точные сведения о числе параметров и внутренней архитектуре в карточке не указаны. Модель распространяется по лицензии Apache 2.0.

Карточка модели youyou125709/Qwen2.5-7B-Instruct-1M на Hugging Face совпадает с карточкой Qwen/Qwen2.5-7B-Instruct-1M, поэтому описание составлено по ней. Qwen2.5-7B-Instruct-1M — разговорная модель генерации текста из семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалога, ответов на вопросы, работы с длинными документами и другими задачами, где нужно учитывать большой объём контекста. Модель построена на архитектуре Qwen2 с причинно-следственной языковой моделью и 7,1 млрд параметров по метаданным. Карточка семейства указывает на RoPE, SwiGLU, RMSNorm и контекст до 1 010 000 токенов; генерация ограничена 8192 токенами. Модель дообучена на базе Qwen/Qwen2.5-7B, поддерживает чат и интерфейс вызова инструментов. Указанные языковые сведения подтверждают английский, но сами по себе не доказывают поддержку только одного языка. Для работы с контекстом около миллиона токенов README рекомендует специальную сборку vLLM и указывает потребность как минимум в 120 ГБ видеопамяти суммарно для версии 7B. В прежних средах выполнения качество может снижаться на последовательностях длиннее 262 144 токенов. Лицензия — Apache-2.0.

BigBang-V1 — мультимодальная модель общего назначения, разработанная Endless Frontier на основе Qwen3.6-35B-A3B. Авторы дообучили её с помощью постобучения на примерно 10 тысячах синтетических научных и технических задач, которые генераторы и критики итеративно усложняли и проверяли. Модель предназначена для научных исследований, сложных рассуждений, программирования, длительного поиска и работы с инструментами; поддерживает диалог и анализ изображений. Модель построена на архитектуре Qwen3.5 MoE и распространяется в формате Safetensors для Transformers. В README указан контекст до 262 144 токенов; авторы рекомендуют сохранять не менее 128 тысяч токенов для сложных задач. В README приведены сильные результаты на бенчмарках научных исследований, поиска, программирования и AI-исследований, однако это результаты авторской оценки и не гарантия качества для конкретного сценария. Лицензия — Apache-2.0.

ModelCloud/Kimi-K2-Thinking-BF16 — версия Kimi K2 Thinking, подготовленная ModelCloud и обозначенная в карточке как BF16-модель, деквантизированная с помощью GPT-QModel. Это разговорная модель для генерации текста с архитектурой семейства Kimi K2; каталог указывает класс DeepseekV3ForCausalLM, 37,9 млрд параметров и контекст до 262 144 токенов. README описывает исходную Kimi K2 Thinking как MoE-модель с 1 трлн общих и 32 млрд активных параметров, обученную для пошаговых рассуждений и работы с инструментами. Модель предназначена для диалогов, сложных многошаговых задач, исследований в интернете, программирования и написания текстов с подключёнными инструментами. В карточке описана способность поддерживать длинные цепочки вызовов инструментов, однако это характеристика исходной модели, а независимое подтверждение для данного BF16-репозитория отсутствует. Указанное в README окно контекста составляет 256 тыс. токенов; метаданные каталога указывают 262 144 токена. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия NonCommercial-ModelCloud разрешает только некоммерческое использование; для коммерческого применения README требует разрешения @qubitium. Метаданные не подтверждают список поддерживаемых естественных языков.

insraq/LFM2.5-2.6B-heretic — созданная с помощью Heretic v1.4.0 декензурированная версия языковой модели LiquidAI LFM2.5-2.6B. Это плотная гибридная текстовая модель семейства LFM2 для генерации текста и диалогов, содержащая 2,6 млрд параметров и рассчитанная на контекст до 128 000 токенов. По карточке исходная LFM2.5 обучена для локального и периферийного развёртывания, поддерживает многоязычный ввод и вывод, следование инструкциям и работу с инструментами. Модель подходит для агентных сценариев, вызова инструментов, извлечения данных, RAG и работы с длинным контекстом. В тесте из карточки версия Heretic дала 3 отказа из 100 против 95 из 100 у исходной модели; это указывает на снижение склонности к отказам, но не гарантирует корректность или безопасность ответов. Карточка не приводит отдельную лицензию этой производной модели; метаданные указывают лицензию «other».

ProfessorF (Nick V. Flor, PhD) публикует эту версию NVIDIA Nemotron 3 Nano Omni в формате GGUF BF16 для воспроизводимости исследований. Исходная мультимодальная модель разработана NVIDIA и объединяет понимание видео, аудио, изображений и текста для корпоративных сценариев: вопросов и ответов, суммаризации, транскрипции и анализа документов. В карточке указано, что модель дополнительно обучалась с использованием нескольких моделей Qwen и gpt-oss-120b; точное число параметров и длина контекста для этой копии не приведены. Модель предназначена для анализа записей встреч и обучающих видео, поиска по медиаматериалам, распознавания речи и текста на документах, а также для GUI-агентов и автоматизации работы с браузерами, почтой и системами управления инцидентами. Заявлена поддержка коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует проверить условия лицензии в карточке исходной модели NVIDIA и этой копии.

Nemotron OCR v2 — мультиязычная модель распознавания текста на изображениях из коллекции NVIDIA NeMo Retriever. Она объединяет детектор текстовых областей на базе RegNetX-8GF, трансформерный распознаватель и модуль анализа связей между областями, который определяет группировку элементов, порядок чтения и структуру макета. Доступны варианты для английского языка и для нескольких языков; мультиязычный вариант поддерживает английский, китайский, японский, корейский и русский. Модель предназначена для OCR документов и изображений реальных сцен, включая многострочный и многоблочный текст, таблицы, графики и инфографику. На вход принимает RGB-изображения, на выходе формирует распознанный текст, рамки областей и оценки уверенности. Её можно использовать для извлечения текста в поисковых и RAG-системах и приложениях, которым нужен анализ содержимого изображений. По описанию NVIDIA, модель рассчитана на производственное и коммерческое применение. Лицензия NVIDIA Open Model License Agreement; в README также упоминается Apache 2.0.

Qwen3-32B-Nex-N1 — плотная языковая модель серии Nex-N1 от разработчиков платформы Nex, дообученная для автономной работы агентов. Она предназначена для генерации текста в сценариях программирования, вызова инструментов, веб-поиска и многошаговых задач, а также для создания мини-приложений и веб-страниц. В README приведены результаты оценки этой версии на агентных и программных бенчмарках; модель также поддерживает чат и вызов функций. Модель построена на архитектуре Qwen3 и содержит 29,7 млрд параметров. Контекст — до 131 072 токенов; репозиторий предоставляет веса в формате Safetensors. Она принимает и генерирует текст. README рекомендует запуск через SGLang и для вызова функций указывает парсер инструментов qwen3_coder. Лицензия — Apache-2.0.

K-EXAONE-236B-A23B-FP8 — мультиязычная языковая модель, разработанная LG AI Research. Это FP8-квантизированная версия K-EXAONE-236B-A23B, предназначенная для генерации текста, рассуждений, работы с общими знаниями, многоязычного понимания, обработки длинного контекста и агентских сценариев с использованием инструментов и поиска. Модель использует архитектуру Mixture-of-Experts с 236 млрд параметров, из которых 23 млрд активируются при инференсе. Она поддерживает Multi-Token Prediction для ускорения самоспекулятивного декодирования примерно в 1,5 раза, 256K токенов контекста и гибридную схему внимания 3:1 со скользящим окном размером 128 токенов. В составе архитектуры 128 экспертов, 8 активных экспертов и один общий эксперт; словарь SuperBPE содержит 153 600 токенов. Поддерживаются корейский, английский, испанский, немецкий, японский и вьетнамский языки. Дата отсечения знаний — декабрь 2024 года. Сильные стороны модели — высокая эффективность MoE-архитектуры, длинный контекст, заявленные возможности рассуждения и работы в агентских системах, а также учет корейского культурного и исторического контекста. FP8-квантизация может снизить требования к ресурсам по сравнению с полноразмерной моделью, но модель всё равно остается крупной и требует специализированной инфраструктуры. Данные о мультимодальности отсутствуют, поэтому модель следует рассматривать как текстовую. Лицензия указана как специальная k-exaone; условия использования следует уточнять в файле LICENSE.

Devs Do Code выпустила инструкционную версию Llama 3 8B с контекстом до 1 048 576 токенов. Это плотная авторегрессионная языковая модель семейства Llama, предназначенная для диалога и генерации текста с использованием длинного контекста. По описанию разработчика, контекст расширен настройкой параметра RoPE theta; для этого этапа обучения использовано 830 млн токенов, а суммарно для всех этапов — 1,4 млрд токенов. Модель подходит для ответов на вопросы и работы с длинными документами в сценариях, где требуется учитывать большой объём входного текста. В карточке указана поддержка английского языка и форматы весов Safetensors. Для запуска можно использовать Transformers или TGI. Модель основана на Meta-Llama-3-8B-Instruct и распространяется по лицензии Llama 3. Как и другие большие языковые модели, она может выдавать неточные ответы и сохраняет остаточные риски безопасности; разработчик рекомендует оценивать риски применительно к сценарию использования и при необходимости добавлять защитные меры.

NVIDIA Nemotron Parse v1.1 TC — модель NVIDIA для понимания структуры документов и извлечения текста и таблиц из изображений страниц PDF и PPT. Она формирует упорядоченные по ходу чтения структурированные результаты: текст, семантические классы элементов и ограничивающие рамки. Модель предназначена для построения поисковых и кураторских систем, подготовки данных для обучения LLM и VLM, а также повышения точности конвейеров понимания документов. Архитектура включает vision-encoder-decoder на базе ViT-H, адаптер с 1D-свёртками и нормализацией и декодер mBART из 10 блоков. Сжатие представления зрения сокращает последовательность с 13 184 до 833 токенов; по README, это даёт ускорение на 20% относительно Nemotron Parse v1.1. Модель также сохраняет порядок таблиц, подписей, изображений и сносок. Для работы с таблицами и текстом предусмотрена постобработка в форматах LaTeX, HTML, Markdown или обычного текста. Модель рассчитана на коммерческое использование; лицензия репозитория указана как other, а лицензия токенизатора — CC-BY-4.0. В описании не приведены число параметров и перечень поддерживаемых естественных языков. Качество извлечения может зависеть от сложности и вариативности макета документа; конкретные ограничения и метрики качества в карточке не описаны.

Qianfan-OCR — мультимодальная vision-language модель для анализа документов, разработанная командой Baidu Qianfan. Это end-to-end модель с 4 млрд параметров, предназначенная для преобразования изображений документов в Markdown и выполнения задач OCR, анализа структуры и расположения элементов, извлечения таблиц, понимания графиков, ответов на вопросы по документам и извлечения ключевой информации. Представленная версия распространяется в формате GGUF и была создана с использованием llama.cpp. Архитектура включает vision-энкодер Qianfan-ViT с 24 Transformer-слоями и поддержкой изображений разрешением до 4K, языковую модель Qwen3-4B с контекстом 32K токенов, расширяемым до 131K, а также двухслойный cross-modal adapter. Модель поддерживает OCR на 192 языках. Опциональный режим Layout-as-Thought позволяет сначала сформировать структурированное описание макета с ограничивающими рамками, типами элементов и порядком чтения, что полезно для сложных и неоднородных страниц; для простых документов этот режим можно отключать ради снижения задержки. Сильными сторонами модели являются единый подход к распознаванию и пониманию документов, поддержка сложной структуры, таблиц и многоязычного OCR. В заявленных результатах она получила 93,12 на OmniDocBench v1.5, 79,8 на OlmOCR Bench и 880 баллов на OCRBench; производительность достигает 1,024 страницы в секунду при W8A8-квантизации на одной GPU A100. Ограничения включают зависимость качества и скорости от разрешения изображений, сложности макета и выбранного режима обработки; конкретные требования к оборудованию для GGUF-версии в карточке не указаны. Модель распространяется по лицензии Apache-2.0.