I.1Поиск и навигация по информации

CodeR-full — модель для преобразования текста и кода в эмбеддинги, разработанная авторами семейства CodeR. Она обучена на текстовых данных и полных данных о коде и предназначена для представления текстов и программ в векторном виде, а также вычисления сходства между предложениями. Модель основана на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; максимальный контекст составляет 32 768 токенов. Для работы доступны форматы Sentence Transformers, FlagEmbedding и Hugging Face Transformers. Модель подходит для поиска и сравнения текстовых и кодовых фрагментов по смыслу. Карточка приводит примеры использования через библиотеки для получения эмбеддингов; отдельные результаты оценки качества не указаны. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT, опубликованная под идентификатором ASD123SAD21/MyAwesomeModel-TestRepo. Она предназначена прежде всего для извлечения признаков из текста с использованием библиотеки Transformers и PyTorch, поэтому может применяться для построения векторных представлений и последующей обработки текста в прикладных системах. В README также заявлены улучшенные способности к рассуждению, пониманию текста, классификации, анализу тональности, ответам на вопросы, суммаризации, переводу и генерации кода, однако метаданные Hugging Face классифицируют модель как feature-extraction.

MyAwesomeModel — модель на базе BERT, опубликованная в Hugging Face Hub пользователем liufeqww1154. Согласно метаданным, она предназначена для извлечения признаков и работает с библиотекой Transformers на PyTorch. Архитектурная информация ограничена указанием семейства BERT; размер модели, модальности, поддерживаемые языки и длина контекста не указаны. README также заявляет об улучшенных рассуждениях, математике, программировании, логике, генерации текста, function calling и снижении галлюцинаций, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются техническими деталями реализации. Поэтому модель можно рассматривать прежде всего как инструмент получения векторных представлений текста для последующей классификации, поиска или кластеризации. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель на базе BERT, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из входных данных, то есть преобразование текста в векторные представления для последующего анализа машинного обучения. README также заявляет улучшения в рассуждениях, математике, программировании, классификации, суммаризации и диалогах, однако эти возможности не подтверждаются указанным pipeline-тегом feature-extraction и требуют отдельной проверки. Модель можно применять как компонент систем семантического поиска, кластеризации, классификации и сравнения текстов. В карточке указаны архитектурное семейство BERT, библиотеки Transformers и PyTorch, но размер модели, длина контекста, поддерживаемые языки и сведения о разработчике не приведены. README содержит рекомендации, ориентированные на генеративное использование, включая системный промпт и температуру, однако для модели с тегом feature-extraction их практическая применимость не подтверждена.

flair/ner-multi-fast — быстрая модель распознавания именованных сущностей, поставляемая вместе с библиотекой Flair. Она обучена для английского, немецкого, нидерландского и испанского языков на данных CoNLL-03 и предсказывает четыре типа сущностей: имена людей, географические названия, организации и четвёртый тег из набора NER. В основе — эмбеддинги Flair и архитектура LSTM-CRF. Модель предназначена для извлечения сущностей из текста и может применяться также для родственных языков, например французского, хотя качество для них не приведено. В карточке указаны F1-оценки на CoNLL-03: 91,51 для английского, 85,72 для пересмотренного немецкого набора, 86,22 для нидерландского и 85,78 для испанского. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Pulpie Orange Large — модель feyninc для извлечения основного содержимого веб-страниц из HTML. Это энкодер на 2,1 млрд параметров с архитектурой EuroBERT, дообученный для классификации блоков HTML как содержательных или служебных. Модель анализирует страницу за один проход и помогает удалить навигацию, рекламу, боковые панели и футеры, сохраняя основной текст; результат можно восстановить в HTML или преобразовать в Markdown с помощью пакета pulpie. Модель рассчитана на очистку веб-страниц и подготовку текстовых корпусов, в том числе для последующего поиска и RAG. В README приведён результат 0,873 ROUGE-5 F1 на англоязычной части WebMainBench; обучение проводилось на 14 959 страницах Common Crawl с разметкой блоков. Контекст составляет до 8192 токенов. Модель описана как наиболее точная в семействе Pulpie и используется как учитель для дистилляции меньших вариантов. Лицензия — Apache-2.0. Модель ориентирована на английские веб-страницы; качество и производительность на других языках и типах HTML в предоставленных данных не охарактеризованы. Размер модели повышает требования к ресурсам по сравнению с меньшими вариантами семейства.

RuBERT-base-cased — русскоязычная версия двунаправленного трансформера BERT, разработанная DeepPavlov. Модель имеет 12 слоёв, скрытый размер 768, 12 голов внимания и около 205 млн параметров по метаданным. Она принимает текст и извлекает контекстные векторные представления токенов; контекст ограничен 512 токенами. Модель обучалась на русскоязычных текстах Википедии и новостях. При создании использовалась мультиязычная версия BERT-base в качестве начальной точки, а словарь субтокенов был построен для русского языка. Чекпойнт включает головы MLM и NSP и подходит как основа для дальнейшей адаптации к задачам обработки русского языка. Лицензия в предоставленных данных не указана. Прикладные ограничения, помимо длины контекста, в карточке не описаны.

Josephgflowers/TinyLlama-Cinder-Agent-v1 — компактная языковая модель на архитектуре Llama с примерно 1 млрд параметров, разработанная как дообученная версия Josephgflowers/TinyLlama-Cinder-Tiny-Agent. Автор позиционирует её как чат-ассистента общего назначения для ответов по предоставленным документам (RAG), суммаризации, следования системным инструкциям и работы с инструментами и вызовами функций. По описанию, модель обучалась на математических и рассуждательных данных, наборах для RAG и суммаризации, а также данных для вызова функций. Карточка сообщает об улучшении результатов на GSM8K относительно исходной TinyLlama и приводит оценки Open LLM Leaderboard. Модель поддерживает генерацию текста в диалоговом формате; её контекстное окно — 2048 токенов. README отмечает, что формат JSON при вызове функций следует шаблону обучающего набора Glaive и может не подходить для произвольной генерации JSON. Модель распространяется по лицензии MIT. Карточка не приводит отдельной оценки надёжности ответов, поэтому результаты математических и иных задач следует проверять; ограниченный контекст также может затруднять работу с объёмными документами.

V-ORC — дообученная GIGAParviz компактная мультимодальная модель на базе unsloth/PaddleOCR-VL. Она предназначена для распознавания текста и извлечения сведений из изображений документов, а также для диалогового взаимодействия с визуальным содержимым. Модель имеет архитектуру PaddleOCR-VL с 318,2 млн параметров, принимает изображения и текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано обучение с использованием Unsloth и Hugging Face TRL; отдельные показатели качества для этой версии не приведены.

AriannaV6 — мультимодальная модель для диалогов и агентных сценариев, разработанная независимым автором и дообученная на базе Google Gemma 4 12B. QLoRA-адаптер обучен на вызове инструментов, устойчивой идентичности и поведении с долговременной памятью, а затем объединён с весами модели. Архитектура gemma4_unified обрабатывает текст, изображения и аудио; заявленная длина контекста — до 262 144 токенов. Доступны объединённые веса Safetensors и варианты GGUF, включая квантизированные сборки. Модель предназначена для универсального помощника, рабочих процессов с инструментами и роли рассуждающего ядра в мультимодальных системах. По описанию автора, V6 исправляет часть потери знаний и здравого смысла в предыдущих версиях, но уступает базовой Gemma на отдельных проверках знаний и общих рассуждений. Голосовой ввод-вывод и генерация изображений или видео в веса не встроены: для них нужны отдельные компоненты. Лицензия CC-BY-NC-SA-4.0 требует указания авторства и распространения производных на тех же условиях и ограничивает коммерческое использование.

Это модель Gherman для распознавания именованных сущностей в русскоязычном тексте. Она создана дообучением многоязычного энкодера BERT google-bert/bert-base-multilingual-cased и содержит около 205,1 млн параметров. Модель использует архитектуру BertForTokenClassification и принимает текст длиной до 512 токенов. Модель размечает имена и фамилии людей, отчества, а также географические названия: страны, регионы, города, районы, улицы и номера домов. Она предназначена для извлечения информации, анализа содержания и предварительной обработки текста для последующих NLP-задач; разметка выполняется в формате BIOLU. В карточке сообщается F1 0,988 на оценочном наборе, однако качество может меняться в зависимости от тематики и стиля текста. Модель распространяется по лицензии MIT. Она может хуже распознавать редкие или сложные имена и наследовать смещения обучающих данных; результаты следует проверять, особенно в приложениях, затрагивающих людей.

bert-chunker-Chinese-2 — китайский сегментатор документов на базе BERT, созданный авторами проекта bc-chinese. Модель с архитектурой BertForTokenClassification размечает начальные токены фрагментов, а скользящее окно позволяет нарезать документы произвольной длины на части для последующей работы, например, в RAG-системах. Авторы позиционируют её как альтернативу семантическому чанкеру, рассчитанную в том числе на неструктурированные и плохо подготовленные тексты. В экспериментальном скрипте можно задать максимальное число токенов в одном фрагменте. Модель содержит 27,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Карточка указывает английский и китайский языки. Репозиторий распространяется в формате safetensors по лицензии MIT. README описывает обновлённый вариант с изменённой разметкой данных и процессом обучения, но не называет базовую модель.

Модель nickprock/bert-finetuned-ner-ontonotes — англоязычная модель распознавания именованных сущностей, разработанная на основе google-bert/bert-base-cased и дообученная на наборе OntoNotes 5. Она выполняет токенную классификацию и подходит для выделения сущностей в тексте, в том числе в текстах деловой тематики. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает контекст длиной до 512 токенов. На оценочной выборке указаны F1 0,8702, точность 0,8567 и полнота 0,8842. Модель распространяется по лицензии Apache-2.0. Показатели получены на OntoNotes 5; качество на других доменах и типах текста может отличаться.

Chonky modernbert base v1 — модель для разбиения текста на смысловые фрагменты, разработанная автором репозитория mirth и дообученная на answerdotai/ModernBERT-base. Она присваивает токенам метки границ фрагментов, чтобы получить семантически связные части текста для последующей индексации и поиска в системах RAG. Модель построена на архитектуре ModernBERT с 149 млн параметров и использует библиотеку Transformers. Она обучалась на абзацах из BookCorpus; карточка приводит F1 0,79, точность 0,83 и полноту 0,75 на уровне токенов. Хотя базовая ModernBERT поддерживает контекст до 8192 токенов, эта версия дообучалась на последовательностях длиной 1024 токена. Модель ориентирована на англоязычный текст и выдаёт разметку токенов, а не готовые эмбеддинги или ответы. Для её использования автор указывает библиотеку chonky. Лицензия — MIT.

sahilchachra/Laya-Multilingual-MXFP8 — квантованный мультиязычный энкодер ModernBERT, подготовленный автором репозитория на основе convaiinnovations/laya для запуска через MLX на Apple Silicon. Модель содержит около 306,9 млн параметров, использует MXFP8 и рассчитана на контекст до 8192 токенов. Она предназначена для извлечения признаков из текста и создания пользовательских MLX-голов; это двунаправленный энкодер, а не генеративная чат-модель. Репозиторий включает только энкодер: отдельная голова принятия решений из исходного Laya здесь не опубликована, поэтому для API Laya требуется upstream-репозиторий. README сообщает о поддержке более 100 языков через основу mmBERT. Проверка на небольшом наборе показала заметный дрейф скрытых состояний после квантования и возможное изменение результата при близких оценках; для точных или чувствительных к калибровке решений рекомендуется исходная версия bf16/fp32. Файлы опубликованы в формате safetensors; условия лицензии в предоставленных данных не описаны.

Unsloth/Liquid AI LFM2-350M — компактная плотная гибридная языковая модель для генерации текста и диалогов, рассчитанная на запуск на периферийных устройствах. В этой карточке представлены веса постобученной модели LiquidAI/LFM2-350M в формате safetensors; архитектура сочетает 10 блоков коротких LIV-свёрток и 6 блоков группового внимания. Размер по метаданным — 444,6 млн параметров, контекст — до 32 768 токенов. Модель предназначена для локальных приложений с ограниченными ресурсами, включая многошаговые диалоги, извлечение данных, RAG, творческое письмо и агентные сценарии с вызовом инструментов. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Разработчик отмечает скорость и эффективность на CPU, GPU и NPU, а также рекомендует дообучать модель для узких задач. Она не рекомендуется для задач, требующих обширных знаний или навыков программирования. В README указаны дистилляция от LFM1-7B, масштабное дообучение с учителем, DPO и итеративное объединение моделей в ходе подготовки семейства LFM2; однако метаданные этой конкретной карточки обозначают её как finetune от LiquidAI/LFM2-350M. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории перед внедрением.

lt-wikidata-comp-zh — модель LinkTransformer, разработанная исследователями Harvard. Это дообученная модель на базе DMetaSoul/sbert-chinese-qmc-domain-v1 для сопоставления записей и сущностей по китайским данным Wikidata, включая псевдонимы компаний. Она помогает находить совпадающие записи, кластеризовать и дедуплицировать данные, связывать и агрегировать сущности; также подходит для семантического поиска и других задач сходства предложений. Модель основана на BERT и sentence-transformers, содержит 129,5 млн параметров и преобразует текст в плотные эмбеддинги размерностью 768. Метаданные указывают контекст до 512 токенов; в конфигурации README для обработки задана максимальная длина последовательности 256 токенов. Модель обучена для китайского языка с использованием SupCon loss. Для применения доступны веса в формате safetensors и интеграция с пакетом LinkTransformer. README не сообщает лицензию, поэтому условия использования следует проверить на странице модели.

NusaBert-ner-v1.3 — модель распознавания именованных сущностей, разработанная дообучением cahya/NusaBert-v1.3 на наборе grit-id/id_nergrit_corpus. Она использует архитектуру ModernBERT, содержит 160,3 млн параметров и принимает последовательности длиной до 8192 токенов. Модель размечает 19 типов сущностей в индонезийском тексте: людей, организации, географические объекты, даты и время, денежные суммы, проценты, количества, законы, события, продукты, произведения искусства, языки и другие категории. В оценке на тестовой выборке указаны F1 0,8171, точность 0,8010, полнота 0,8338 и accuracy 0,9477. Подходит для извлечения сущностей из индонезийских документов и подготовки текста к поиску или аналитике. Лицензия — MIT. Приведённые метрики относятся к указанной оценочной выборке; README не уточняет практические ограничения и подробности обучающих данных.

OCRFlux-3B — предварительная версия мультимодальной модели ChatDOC для извлечения содержимого из PDF-файлов и изображений страниц в чистый Markdown. Модель дообучена на Qwen2.5-VL-3B-Instruct с использованием закрытых наборов документов и части olmOCR-mix-0225. Она построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для распознавания и разбора страниц документов, включая таблицы, абзацы и их структуру, а также для объединения фрагментов таблиц и текста, разделённых между страницами. По README, для запуска достаточно GPU уровня GTX 3090, а комплект OCRFlux поддерживает пакетную обработку документов через vLLM. Карточка приводит результаты внутренних бенчмарков, но они не гарантируют такое же качество на документах других типов. Входные данные — изображения, в том числе страницы PDF; результат — структурированный текст, обычно Markdown. Данные бенчмарков включают английские и китайские документы, однако метаданные карточки указывают английский язык, поэтому поддержка других языков не предполагается сверх явно описанного. Условия лицензирования в предоставленных источниках не описаны.

Segmentext — специализированная модель PleIAs для сегментации неструктурированного текста. Она использует архитектуру DeBERTa-v2 с классификацией токенов и содержит 306 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и размечает их структурные части. Модель рассчитана на восстановление редакционной структуры по самому тексту, без обращения к исходному макету документа. Она обучалась на 3 500 вручную размеченных примерах из финансовых документов, текстов культурного наследия и научных публикаций. Segmentext распознаёт основной текст, разделители, заголовки, таблицы, реплики диалога, библиографические ссылки, контактные данные, паратекст, авторов, даты и ключевые слова. По описанию разработчика, она должна работать с разными форматами документов на основных европейских языках, включая повреждённый текст и ошибки распознавания макета. Модель может использоваться для структурирования текстов после оцифровки, подготовки документов к дальнейшему анализу и выделения контактных данных. Обучающие данные охватывают ограниченное число вручную размеченных примеров, поэтому качество на иных языках и типах документов может различаться. Распространяется по лицензии Apache-2.0.

asahi417/tner-xlm-roberta-large-ontonotes5 — модель XLM-RoBERTa Large, дообученная на распознавание именованных сущностей (NER) по набору OntoNotes 5. Она размечает текст по токенам, выделяя сущности в соответствии с метками датасета. Модель предназначена для извлечения людей, организаций, мест и других упомянутых в тексте сущностей. Модель содержит 658,7 млн параметров, принимает текст и выдаёт метки токенов. Максимальная длина контекста — 514 токенов. Для загрузки README показывает использование Transformers и AutoTokenizer; метаданные указывают формат PyTorch. XLM-RoBERTa поддерживает многоязычный текст, однако конкретный перечень языков этого чекпойнта в предоставленных данных не указан. Лицензия в предоставленных данных не указана.

OpenCSG Agentic-30B-A3B — первая модель серии OpenCSG Agentic, дообученная для локальных и корпоративных ИИ-агентов, выполнения Skills и работы с инструментами. Она предназначена для сценариев, где агенту нужно следовать инструкциям, выбирать навык, формировать аргументы, анализировать ответы инструментов и выполнять многошаговые задачи в нескольких системах. В основе лежит Qwen/Qwen3-30B-A3B с архитектурой MoE Qwen3MoeForCausalLM: в README указаны 30,53 млрд параметров всего и около 3,3 млрд активных на токен, 128 экспертов и 8 активных экспертов. Модель выпущена в BF16, поддерживает контекст до 40 960 токенов и ориентирована на китайский и английский языки. Для запуска авторы приводят измерения на одной NVIDIA A800 80 ГБ с vLLM. Сильная сторона модели — обучение на сценариях вызова инструментов и восстановления после ошибок; среди приведённых удачных примеров — управление почтой и календарём, CRM и планирование проектов. Оценка Agentic Eval также показывает заметное снижение результатов на сложных, длинных и межсистемных задачах, особенно на китайском языке. Авторы рекомендуют проверять результаты и требовать подтверждения человека для чувствительных операций. Лицензия указана как other; условия использования следует сверять с лицензионным соглашением репозитория.

BAAI_AREX-Base-GGUF — это квантизированная версия модели AREX-Base, разработанной BAAI и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp и метода imatrix. Модель ориентирована на агентские сценарии, глубокое исследование, рассуждения, работу с инструментами и задачами с длинным контекстом. В карточке также указана поддержка англоязычных данных и мультимодальный профиль image-text-to-text, однако подробности о поддерживаемых типах изображений и способах их обработки не приведены. Доступны варианты с точностью от BF16 до низкобитных квантов, включая Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3 и Q2. Размер файлов варьируется примерно от 44,48 до 244,31 ГБ; многие варианты разбиты на несколько частей. Более крупные квантизации сохраняют высокое качество, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. В метаданных модель помечена как mixture-of-experts и связанная с Qwen3.5, но точные параметры архитектуры, число экспертов, размер контекста и количество параметров не указаны. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Для работы требуется использовать указанный шаблон промпта с тегами ролей и началом блока рассуждений. Лицензия — Apache-2.0. В README не приведены результаты тестирования, ограничения по аппаратному обеспечению, сведения о безопасности или подробная документация по мультимодальным возможностям, поэтому практическое качество следует оценивать отдельно для выбранной квантизации и сценария.

Bobcat 1.1 — дообученная модель sanghwa-na на базе Qwen/Qwen3.8-27B. Это плотная модель архитектуры Qwen3.5 с весами BF16 в формате safetensors; исходную LoRA ранга 16 объединили с базовой моделью. Для каждого запроса приложение задаёт состояние и набор допустимых ответов, а модель оценивает их вероятности за один проход. Она не генерирует текст: приложение формирует из результатов ответ в заданном формате. Модель предназначена для повторяющихся ограниченных решений, например маршрутизации запросов, ранжирования, проверки цитат, классификации и проверки вызовов инструментов. Карточка указывает поддержку английского и корейского языков; в обучающих данных 36% решений были на английском. Лицензия — Apache-2.0. По опубликованным разработчиком оценкам, Bobcat 1.1 повысила точность на тестах по сравнению с необученной базовой моделью и реже поддавалась ответам, подсказанным внутри состояния. Модель может ошибиться, хотя её ответ останется одним из допустимых вариантов. Она слабо распознаёт ситуации с недостатком свидетельств, а уверенность не гарантирует правильность. В длинных состояниях результаты зависят от длины и развертывания; вычисления, подсчёт и сравнение дат лучше выполнять в коде. Для критически важных решений модель не предназначена. Для развёртывания автор описывает работу через vLLM; требуются подходящие GPU-ресурсы.

Cymist2-v0.1-SFT — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев на турецком и английском языках. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная на базе mistralai/Mistral-7B-v0.1 и доступная в формате safetensors для библиотеки Transformers. Контекст модели составляет 32 768 токенов. Модель предназначена для чат-ботов, виртуальных помощников и приложений общего назначения, включая сценарии поиска с дополненной генерацией (RAG). Она поддерживает турецкий и английский языки; в README указано обучение на разнообразных источниках на этих языках. Распространяется по лицензии Apache-2.0. Модель может унаследовать смещения из обучающих данных. Разработчик не рекомендует применять её в критически важных системах или там, где требуются специализированные знания за пределами общей генерации текста; точность ответов не гарантируется.

jina-embeddings-v5-text-small-clustering — компактная модель векторных представлений текста от Jina AI, предназначенная прежде всего для кластеризации. Это квантизированная версия базовой модели jinaai/jina-embeddings-v5-text-small, обученная с использованием дистилляции и задачных контрастивных потерь. Модель подходит для группировки текстов по смыслу и других сценариев, где требуется преобразование документов или фрагментов текста в эмбеддинги. Модель содержит 677 млн параметров, поддерживает многоязычные тексты и обрабатывает последовательности длиной до 32 768 токенов. Размер выходного эмбеддинга составляет 1024 измерения; поддерживаются Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Используется pooling по последнему токену. Модель интегрируется с sentence-transformers, vLLM, llama.cpp и Elastic Inference Service. Сильными сторонами являются компактность, высокая производительность для своего размера, большой контекст и возможность адаптировать размер вектора. Ограничение модели — заявленная специализация на кластеризации; README не приводит подробностей о точном наборе поддерживаемых языков и не описывает качество для других задач. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

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.

MinerU2.5-2509-1.2B-GGUF — мультимодальная модель для анализа и разбора документов, разработанная OpenDataLab. Она предназначена для преобразования изображений документов и текстовых запросов в текстовые ответы, в частности для эффективного высокоразрешающего парсинга документов. Модель основана на архитектуре с разделёнными компонентами обработки зрения и языка (decoupled vision-language model), имеет размер 1,2 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В карточке указаны поддерживаемые языки китайский и английский, а тип конвейера — image-text-to-text. Длина контекста, точный набор поддерживаемых форматов документов и сведения о конкретном уровне квантования не указаны. К сильным сторонам относятся ориентация на обработку документов высокого разрешения, мультимодальный ввод и возможность использования компактной 1,2-миллиардной версии в экосистеме GGUF. Ограничениями являются неизвестные из карточки показатели качества, подробности архитектуры, контекстное окно и требования к ресурсам; качество также может зависеть от выбранной квантованной версии. Модель распространяется по лицензии AGPL-3.0, поэтому условия её использования и интеграции следует проверять с учётом требований этой лицензии.

Mini-InternVL-Chat-2B-V1-5 — мультимодальная модель OpenGVLab для диалогов и анализа изображений. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель InternLM2-Chat-1.8B; общий размер составляет 2,2 млрд параметров. Архитектура InternVL поддерживает изображения с динамическим разрешением, обрабатывая до 40 фрагментов размером 448 × 448 пикселей, в том числе изображения с разрешением до 4K. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания текста и диаграмм, визуального рассуждения и многошагового общения с изображениями. В карточке приведены результаты оценки на наборах DocVQA, ChartQA, TextVQA, OCRBench, MathVista и других. Для обучения использовался контекст длиной 8K; актуальный предел контекста в метаданных не приведён. README описывает запуск через Transformers и варианты квантования при инференсе. Модель может выдавать предвзятые или вредоносные ответы. Лицензия — MIT.

MyAwesomeModel — модель на базе BERT, опубликованная автором репозитория asfafa454 и предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. Основной сценарий по метаданным Hugging Face — получение векторных представлений текста для последующей классификации, поиска, кластеризации и других задач машинного обучения. В README также заявлены улучшения рассуждений, понимания языка, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти возможности не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены подробностями об архитектуре, размере, языках или контекстном окне. Условия использования определяются лицензией MIT.