I.1Поиск и навигация по информации

Karasu-Mixtral-8x22B-v0.1 — чат-модель, созданная разработчиками lightblue дообучением Mixtral-8x22B-v0.1 на многоязычных диалогах пользователей с GPT-4. Она предназначена для общения, ответов на вопросы и диалоговых сценариев; в карточке отмечены хорошее воспроизведение фактов и уверенная работа на английском, но также возможность ошибок в логических задачах. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 22 млрд параметров и поддерживает контекст до 65 536 токенов. README рекомендует запуск через vLLM и описывает тестирование на четырёх GPU A100 с ограничением длины генерации до 1 024 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

NERmembert-base-3entities — модель для распознавания именованных сущностей во французском тексте, разработанная Centre Aquitain des Technologies de l'Information et Electroniques и автором Loïck Bourdois. Она основана на CamemBERT base, дообученной для выделения персон (PER), организаций (ORG) и географических объектов (LOC). Модель обучалась на объединённом и очищенном наборе frenchNER_3entities из пяти французских датасетов для NER: около 420 тысяч размеченных предложений, включая обучающую, валидационную и тестовую выборки. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает французский текст и возвращает метки сущностей для его токенов. Модель подходит для извлечения имён людей, названий организаций и мест из французских документов и текстовых корпусов. В карточке указана лицензия MIT. Заявленные результаты оценки приведены в README, но численные таблицы в доступном тексте опущены; качество на других доменах и типах текста может отличаться.

NorBERTo-base — предварительно обученный текстовый энкодер ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 149 млн параметров и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Основная задача модели — предсказывать пропущенные токены в тексте. Её также можно применять для получения текстовых эмбеддингов и адаптировать под задачи классификации, семантического сходства и текстового следования. Контекст поддерживает до 8 192 токенов; в архитектуре используются эффективное локально-глобальное внимание и RoPE. В карточке сообщается о результатах на португалоязычных бенчмарках PLUE и ASSIN 2. Это базовая предобученная модель, а показатели для отдельных задач могут относиться к дообученным вариантам. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования.

NuMind NuNER-multilingual-v0.1 — мультиязычная модель на архитектуре BERT, разработанная NuMind для распознавания именованных сущностей. Это дообученная версия Multilingual BERT, обученная на искусственно размеченной мультиязычной подвыборке датасета OSCAR. Модель содержит 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Модель создаёт языко- и доменно-независимые представления для распознавания сущностей. Её эмбеддинги можно использовать напрямую или дообучить на специализированных наборах данных; заявленная область применения — извлечение сущностей в девяти языках: английском, французском, немецком, итальянском, испанском, португальском, польском, нидерландском и русском. В README приведены результаты сравнения по macro-F1, где модель превосходит базовый bert-base-multilingual-cased в описанном авторами протоколе. Карточка заявляет возможность обобщения на другие языки, поддерживаемые Multilingual BERT, однако обучение проводилось только на девяти языках. Приведённые метрики относятся к описанному протоколу оценки и сами по себе не гарантируют качество на новых доменах или языках.

INCModel3/Qwen3.8-Flash-Next-MXFP4-Mixed-CT-AutoRound — смешанный вариант модели Qwen3.8-Flash-Next, подготовленный Intel с помощью AutoRound и сохранённый в формате llm_compressor. Экспертные слои MLP квантизованы до 4 бит с типом данных MXFP; README также указывает MXFP8 для остальных слоёв, кроме перечисленных исключений. Репозиторий содержит веса Safetensors и предназначен для работы через Transformers. Модель рассчитана на диалоговые задачи с текстом и изображениями, поддерживает интерфейс вызова инструментов. Подходит для ответов на вопросы по изображениям и текстового общения. README предупреждает, что ответы могут содержать фактические ошибки, предвзятость или оскорбительный контент; перед развёртыванием рекомендуется проверка безопасности. Следует соблюдать лицензию исходной модели; репозиторий указывает лицензию other.

SaAMPLIFY_350M — белковая языковая модель семейства AMPLIFY, опубликованная организацией chandar-lab на Hugging Face. Она предназначена для получения признаковых представлений белковых последовательностей и их использования в последующих задачах анализа белков. В карточке показан пример запуска как image-feature-extraction с trust_remote_code, однако метаданные автора указывают pipeline feature-extraction; архитектура описана как плотная AMPLIFY, размер — около 471,9 млн параметров, файлы представлены в safetensors. Карточка модели автоматически сгенерирована и не сообщает разработчика, обучение, лицензии, языки, контекст или оценки качества. В коллекции Hugging Face модель включена в набор белковых языковых моделей, дообученных конвейером структурного выравнивания; отдельная связь с базовой моделью в доступных метаданных не установлена. Лицензионные условия по найденным сведениям определить нельзя.

cstr распространяет модель google/siglip-base-patch16-384 в формате GGUF для использования с CrispEmbed. Это визуальный энкодер SigLIP ViT-B/16: 12 слоёв, 12 голов внимания и размерность представления 768. Он кодирует изображения размером 384×384, разбитые на 576 патчей 16×16, и выдаёт L2-нормированные эмбеддинги изображения размерностью 768 с усреднением по патчам. Модель предназначена для извлечения признаков и эмбеддингов изображений, например, для поиска похожих изображений и мультимодального поиска по изображениям и тексту в системах на базе SigLIP. В README указана близкая к исходной численная близость для варианта F32: среднее косинусное сходство с версией Hugging Face составляет 0,996. Это визуальный энкодер, поэтому он сам по себе не генерирует текст и не описывает изображения. Репозиторий содержит конверсию в GGUF и/или квантизованные веса без дообучения, слияния или изменения архитектуры; доступна лицензия Apache-2.0 на условиях исходной модели. Размер входного изображения — 384×384; другие размеры и поведение при их обработке в карточке не описаны.

SLIM-NER — специализированная языковая модель из серии SLIM компании LLMWare. Это плотная авторегрессионная модель семейства Llama с 1 млрд параметров, дообученная для извлечения именованных сущностей через вызовы функций. На вход подаются текст и список требуемых категорий, а на выходе модель формирует структурированный словарь, например со списками людей, организаций и мест.

Карточка модели 360ZhiNao/360VL-70B на Hugging Face совпадает с карточкой qihoo360/360VL-70B, поэтому описание составлено по ней. 360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

AltCLIP — двуязычная модель сопоставления изображений и текста, разработанная авторами проекта AltCLIP и опубликованная командой FlagAI. Она предназначена для получения совместимых представлений изображений и текстов и классификации изображений по описаниям без отдельного обучения на каждом наборе классов. Модель использует архитектуру AltCLIP и доступна в формате PyTorch. AltCLIP обучали в два этапа: дистилляцией на параллельных текстовых корпусах и двуязычным контрастивным обучением на примерно двух миллионах китайско-английских пар изображение—текст. Она поддерживает китайский и английский языки и может служить компонентом генеративной модели AltDiffusion. Лицензия репозитория — CreativeML OpenRAIL-M.

yalu977/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов, в частности для распознавания именованных сущностей. Она содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 0,9421, точность 0,9327 и полнота 0,9517; сведения о наборе данных и конкретных типах сущностей не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CogVLM2 Chinese Chat — мультимодальная чат-модель компании Zhipu AI на архитектуре CogVLM2 с языковой основой Meta-Llama-3-8B-Instruct. Она принимает изображения и текст и генерирует текстовые ответы на вопросы о содержимом изображений, включая документы, диаграммы и сцены. Поддерживает китайский и английский языки, изображения с разрешением до 1344 × 1344 пикселей и контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, чтения текста на изображениях и анализа документов без внешних OCR-инструментов. README сообщает об улучшениях на бенчмарках TextVQA и DocVQA относительно предыдущего поколения CogVLM. В метаданных размер указан как 8,3 млрд параметров, тогда как README описывает семейство как модель на 19B; точный размер этой версии поэтому представлен источниками неоднозначно. Модель опубликована в формате safetensors. Лицензия указана как «other»; конкретные условия использования следует сверять с условиями репозитория и базовой модели.

Модель elastic/distilbert-base-uncased-finetuned-conll03-english — англоязычная модель распознавания именованных сущностей, созданная Elastic на основе DistilBERT base uncased и дообученная на наборе CoNLL-2003. Она классифицирует токены текста, выделяя сущности согласно меткам этого набора данных. Модель принимает текст, не различает заглавные и строчные буквы и поддерживает контекст длиной до 512 токенов. Она подходит для извлечения сущностей из англоязычных текстов; регистр букв не помогает ей различать имена и обычные слова. Для обработки с учётом регистра в карточке рекомендована версия distilbert-base-cased-finetuned-conll03-english. Модель распространяется по лицензии Apache-2.0.

Lilya/distilbert-base-uncased-finetuned-ner-TRANS — модель DistilBERT, дообученная для классификации токенов и распознавания именованных сущностей. Она предназначена для разметки слов и фрагментов текста метками сущностей. В карточке приведены результаты оценки: F1 0,8011, точность 0,7911, полнота 0,8114 и accuracy 0,9815. Модель использует архитектуру DistilBertForTokenClassification, веса PyTorch и контекст до 512 токенов. Базовая модель — distilbert-base-uncased; лицензия — Apache-2.0. В карточке не описаны набор данных, метки сущностей и ограничения применения, поэтому пригодность для конкретных типов сущностей следует проверять отдельно.

Модель philschmid/distilroberta-base-ner-conll2003 разработана на основе distilroberta-base и дообучена для распознавания именованных сущностей в текстах с разметкой CoNLL-2003. Это модель архитектуры DistilRoBERTa с 95,2 млн параметров, предназначенная для классификации токенов; она принимает текст и относит его фрагменты к классам сущностей, предусмотренным обучающей разметкой. В README приведены результаты на CoNLL-2003: F1 95,29 на валидационной выборке и 90,74 на тестовой; для исправленной версии CoNLL++ указаны F1 95,29 и 92,23 соответственно. Модель рассчитана на извлечение сущностей в текстах, похожих на данные этих наборов. Результаты на других языках, доменах и стилях текста могут отличаться. Контекст модели составляет до 514 токенов. Лицензия — Apache-2.0.

aws-ai/dse-bert-base — модель AWS AI, опубликованная в Hugging Face в рамках проекта Amazon Science DSE (Dialogue Sentence Embedding). Это conversational language model на базе архитектуры BERT, предназначенная для построения векторных представлений предложений и фрагментов диалога. При обучении модель использует self-supervised contrastive learning: последовательные реплики одного диалога рассматриваются как положительные пары. Модель рассчитана на задачи диалоговых систем, включая классификацию намерений, обнаружение запросов вне области, выбор ответа на уровне предложения или диалога и прогнозирование диалоговых действий. Векторы можно применять для сравнения текстов по cosine similarity, few-shot и zero-shot классификации, а также дообучать модель с добавлением task-specific слоя. В репозитории приведены примеры использования с Transformers и усреднением токенных представлений для получения sentence embeddings. Доступны сведения о принадлежности к семейству BERT-base и поддержке PyTorch/Transformers, но точное число параметров, языки обучения, максимальная длина контекста и полный перечень модальностей в найденных источниках не указаны; по назначению это текстовая, а не мультимодальная модель. Сильная сторона — специализация на представлениях диалогов и применимость при дефиците размеченных данных. Ограничения включают отсутствие генерации ответов как основной функции и зависимость качества от предметной области и последующего дообучения. Репозиторий проекта распространяется по Apache-2.0, однако отдельная лицензия именно модели на карточке Hugging Face явно не указана.

Gemma 4 E4B-it-text-only — текстовая версия модели Gemma 4, опубликованная principled-intelligence. Из контрольной точки удалены веса визуального и аудиоэнкодеров, а языковая модель сохранена. Это плотная архитектура Gemma4TextModel примерно на 4,7 млрд параметров, предназначенная для извлечения признаков из текста; поддерживается контекст до 131 072 токенов. Репозиторий содержит веса Safetensors и рассчитан на работу через Hugging Face Transformers. Модель подходит для создания текстовых представлений и других сценариев извлечения признаков. По заявлению автора, языковая часть и шаблон чата совпадают с исходной Gemma 4 E4B-it, а удаление мультимодальных энкодеров уменьшает размер файлов и расход видеопамяти. Веса проверялись только с Transformers; поддержка vLLM, SGLang, llama.cpp, Ollama и других движков не заявлена. Модель распространяется по лицензии Apache 2.0.

HTML-LM — компактная модель-энкодер Seznam для получения эмбеддингов HTML-страниц. Она построена на ModernBERT, содержит 154,2 млн параметров, имеет скрытый размер 768 и поддерживает контекст до 8192 токенов. Модель обучена с нуля на корпусе из 100 млн HTML-документов, используя маскированное языковое моделирование, предсказание Bag-of-Words и контрастную дистилляцию представлений от Qwen3-Embedding-8B и Seznam SeLLMa 8B. Модель кодирует текстовое содержимое и структуру HTML в векторное представление для последующего применения в лёгких классификаторах и регрессорах. Примеры задач: обнаружение страниц статей и товаров, классификация страниц с откровенным контентом, кластеризация, оценка качества страниц и выявление веб-спама. Для обработки требуется HTMLLMProcessor, который очищает и упрощает DOM перед токенизацией; документация отмечает, что предварительная обработка может быть медленной при высокой нагрузке. Обучающий корпус преимущественно состоял из страниц чешских и англоязычных доменов, поэтому README не подтверждает равную поддержку всех языков. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

treamyracle/indobert-ner-gold — модель для распознавания именованных сущностей в индонезийском тексте, разработанная автором репозитория и дообученная на базе indobenchmark/indobert-large-p1. Это плотная модель семейства BERT для классификации токенов: она принимает текст и выделяет сущности, используя 19 типов меток. Контекст модели — до 512 токенов. Модель предназначена для извлечения персон, организаций, мест, геополитических объектов, объектов инфраструктуры, событий и других сущностей. В карточке описано обучение в два этапа: на синтетических данных, размеченных автоматически, затем на вручную размеченном индонезийском наборе NERGRIT. Автор сообщает результаты на наборах NERUI и NERUGM, однако эти показатели приведены в README и не являются независимой проверкой. Модель распространяется по лицензии MIT.

Lightning-Herald-30B-A3B — модель EryriLabs, дообученная на базе NVIDIA Nemotron 3.5 Lightning для работы в Hermes Agent. Это гибридная языковая архитектура Nemotron-H с Mamba-2, механизмом Mixture of Experts и компонентом attention; карточка указывает 30 млрд параметров, из которых около 3 млрд активны при генерации, а метаданные каталога — 1,9 млрд параметров. Модель принимает текст и генерирует текст, включая вызовы инструментов в формате Nemotron, рассчитанном на разбор llama.cpp. Заявленный контекст — 262 144 токена. Модель предназначена для агентных сценариев: многошагового использования инструментов и выполнения задач через оболочку агента. В сравнении с исходной Lightning автор сообщает о росте результата в Fox agent suite и равном результате в тесте терминальных задач; эти оценки относятся к описанным в README наборам и настройкам. Автор отмечает, что модель иногда достигает лимита итераций, не завершив задачу, и рекомендует ограничивать агентную среду песочницей и проверять выполняемые команды. Модель дообучена на отфильтрованных трассах Hermes Agent, переформатированных в шаблон чата и синтаксис вызова инструментов Nemotron. Лицензия в метаданных указана как other; базовая модель NVIDIA Nemotron 3.5 Lightning распространяется по OpenMDW-1.1, однако отдельные условия лицензирования этого дообучения в доступных данных не раскрыты.

asadfgglie/mDeBERTa-v3-base-xnli-multilingual-zeroshot-v1.0 — дообученная многоязычная модель классификации текста на основе mDeBERTa-v3-base, разработанная asadfgglie. Она предназначена для классификации без примеров: пользователь задаёт категории, а модель оценивает, насколько текст соответствует каждой из них. Метаданные указывают архитектуру DeBERTa-v2, около 306 млн параметров и контекст до 512 токенов. Модель дообучена на наборе NLI для zh-TW; в README приведены результаты оценки на нескольких наборах данных, включая macro F1 0,872 на одном из них. Используются веса PyTorch в формате safetensors. Лицензия в доступных данных не указана.

MiMo-V2.6-Flash-RL-JANG2L — это опубликованная OsaurusAI квантованная версия Xiaomi MiMo-V2.6-Flash-RL для запуска через MLX на Apple Silicon. В ней применена смешанная низкоразрядная квантовка JANG: основные экспертные проекции хранятся в 2 битах, часть проекций — в 3 битах, а защищённые ранние слои сохранены в исходном формате MXFP4. Заявлено около 2,73 эффективного бита на параметр; текстовые веса занимают около 95,87 GiB. Модель содержит 12 млрд параметров и поддерживает контекст до 1 048 576 токенов. Модель предназначена для диалоговой генерации текста, рассуждений и вызова инструментов, а также для ответов по изображениям и видео. В README описаны рабочие текстовые и инструментальные диалоги и ответы на изображения и видео в интеграционной сборке Osaurus. Качество квантованной модели не эквивалентно исходной: авторы отмечают искажения на чувствительных позициях и ограниченность проведённых тестов; результаты тестов не являются оценкой на официальных бенчмарках. Репозиторий сохраняет веса обработки изображений, видео и аудио, однако распознавание аудио в тестах Osaurus не прошло квалификацию, а аудио-вывод и совместное понимание синхронизированных аудио и видео не подтверждены. Для запуска требуется Osaurus версии 0.25.13 или новее; модель использует формат MLX и safetensors. Лицензия — MIT.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16-GGUF — это компактная языковая модель для генерации текста и агентских сценариев с использованием инструментов. Модель основана на ewin-reg/MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 и дополнительно представлена в формате GGUF; квантованные версии подготовлены mradermacher. В метаданных также указана связь с семейством MiniCPM5 и тег OpenBMB, однако конкретный разработчик базовой модели явно не описан. Модель предназначена для диалоговых приложений, локального запуска и задач tool calling, включая вызов функций и взаимодействие с внешними инструментами в форматах XML и JSON. Она обучалась с использованием набора данных Team-ACE/ToolACE и заявлена для английского языка. Размер модели — около 1 млрд параметров, но сведения об архитектуре, размере контекста и поддержке дополнительных модальностей отсутствуют; по представленным данным это текстовая модель. Основные преимущества — небольшой размер, возможность работы на локальных и периферийных устройствах, а также наличие вариантов GGUF с разной степенью квантования: от Q2_K до Q8_0 и версии f16. Более компактные варианты требуют меньше памяти, но могут терять в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Лицензия модели — Apache-2.0.

Mixtral-8x7B-v0.1-pl — модель семейства Mixtral с архитектурой смеси экспертов (MoE), дообученная на польских данных. Авторы использовали 2,2 млрд польских токенов из набора SpeakLeash и около 600 млн токенов RedPajama, чтобы сохранить возможности модели в английском языке. Обучение провели при поддержке программы TPU Research Cloud на TPUv3-256; в разработке участвовали Konrad Staniszewski, Bartłomiej Cupiał и Piotr Miłoś. Модель предназначена для извлечения признаковых представлений из текста. Она содержит 7,9 млрд параметров, принимает текст с контекстом до 32 768 токенов и ориентирована прежде всего на польский язык, сохраняя поддержку английского. В репозитории представлены веса safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Nougat Small — модель семейства Nougat, разработанная командой Nougat для преобразования страниц научных PDF-документов в Markdown. Это версия 0.1.0-small; модель обучена на задаче транскрибации PDF в Markdown и предсказывает текст по изображению страницы. Архитектура состоит из визуального кодировщика Swin Transformer и текстового декодировщика mBART в схеме vision-encoder-decoder. Модель принимает изображение страницы и генерирует текстовую разметку Markdown. Лицензия — CC BY 4.0. Основное применение — извлечение и структурированная транскрибация содержимого научных документов. Карточка рекомендует использовать модель для преобразования PDF в Markdown; отдельные количественные характеристики и ограничения качества в README не приведены.

Карточка модели facebook/PE-Spatial-S16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

plT5 Large — польскоязычная модель семейства T5, разработанная исследовательской командой Machine Learning Research Team компании Allegro совместно с Linguistic Engineering Group Института информатики Польской академии наук. Модель имеет архитектуру T5ForConditionalGeneration и содержит около 403,6 млн параметров. Модель обучена на польских текстовых корпусах, включая CCNet и Национальный корпус польского языка, с исходной для T5 целью денойзинга. Для токенизации используется SentencePiece unigram со словарём на 50 тыс. токенов. Основное назначение в каталоге — перевод; метаданные также относят её к text-to-text генерации и указывают задачи суммаризации и ответов на вопросы. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch, лицензия — CC BY 4.0. README не приводит результатов оценки качества или подробностей ограничений применения.

PP-DocBlockLayout — модель PaddlePaddle для локализации блоков в документах. Она обучена на самостоятельно собранном наборе китайских и английских научных статей, презентаций, журналов, договоров, книг, экзаменационных материалов и исследовательских отчётов. В основе лежит RT-DETR-L; модель обнаруживает одну категорию — область документа. Модель предназначена для поиска областей на страницах документов перед последующей обработкой, например OCR или анализом структуры. В README приведён результат mAP@0.5 95,9% на внутреннем тестовом наборе изображений документов; этот показатель относится к указанному набору и не гарантирует аналогичное качество на других типах данных. Репозиторий содержит веса в формате safetensors, библиотека — PaddleOCR. Лицензия Apache-2.0.

AtesiT разработал русскоязычный детектор галлюцинаций на основе Qwen2.5-1.5B-Instruct: плотной причинно-языковой модели Qwen2 с 1,5 млрд параметров. Модель принимает вопрос, контекст-источник и ответ языковой модели, а затем выдаёт бинарную метку: 0, если ответ соответствует контексту, и 1, если он ему противоречит или не подтверждён им. Она предназначена для проверки ответов в RAG-системах, тестирования агентов и мониторинга качества генерации. Модель дообучена методом QLoRA с LoRA-адаптерами; в репозитории указаны веса safetensors и библиотека Unsloth. Метаданные указывают базовый контекст Qwen2.5 в 32 768 токенов, однако для этой версии README сообщает практический предел входа в 512 токенов. Данные основаны на автоматически собранном русскоязычном корпусе SberQuAD. По README, на тестовой выборке версии v5 точность составляет 0,9835, а F1 — 0,9833; эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других корпусах. Лицензия — Apache-2.0.

YTan2000/Qwen3.6-35B-A3B-TQ3_4S — квантованная GGUF-версия мультимодальной модели Qwen3.6-35B-A3B, опубликованная YTan2000. Она предназначена для диалогов, ответов на вопросы, агентных сценариев и анализа изображений. Модель основана на архитектуре Mixture of Experts: в README описана смешанная квантовка TQ3_4S с 2-битными экспертами и 4-битным вниманием; основной файл занимает 12,4 GiB, а мультимодальный проектор поставляется отдельно в BF16. Для запуска указан TurboQuant runtime fork; рекомендуемые настройки рассчитаны на GPU с 16 ГБ видеопамяти. Карточка сообщает о проверке базовых вызовов инструментов и ответов на простые вопросы, но эти результаты не дают широкой оценки качества. Репозиторий распространяется по лицензии Apache-2.0. Метаданные указывают английский язык карточки; другие поддерживаемые языки и длина контекста не подтверждены.