I.1Поиск и навигация по информации

InternVideo3-8B-Instruct — мультимодальная модель для понимания длинных видео и диалогового рассуждения о визуальном содержимом. В карточке она представлена как модель семейства InternVideo3; репозиторий указывает архитектуру InternVideo3ForConditionalGeneration и библиотеку Transformers. Модель принимает видео и текст, а также поддерживает понимание изображений и текстовые диалоги; заявленное окно контекста — до 256 тысяч токенов, а обучение для длинных видео охватывает до 2048 кадров при 4 кадрах в секунду. Модель предназначена для ответов на вопросы о видео, временной привязки событий и многошагового анализа длинных видеозаписей. В README также заявлены агентные циклы с использованием инструментов для распознавания речи, веб-поиска, сегментации видео и проверки ответов. Описание обучения упоминает дообучение на текстовых, визуально-текстовых и видеоданных, а также дистилляцию от Qwen3-235B; точная связь этой версии с базовой моделью отдельно не указана. Архитектура включает 27-слойный визуальный ViT и 36-слойную языковую модель; название версии указывает на размер 8B. README заявляет механизм M²LA для снижения затрат KV-кэша и обработки длинного контекста. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Заявленные характеристики и агентные возможности приведены в карточке модели и не сопровождаются здесь независимой оценкой качества.

prithivMLmods публикует Jan-nano-GGUF — GGUF-сборку компактной языковой модели Jan-Nano с 4 млрд параметров, предназначенной для исследовательских задач и интеграции с серверами Model Context Protocol (MCP). Метаданные связывают её с Menlo/Jan-nano как с дообученной моделью; семейство архитектуры — плотная Qwen3. Репозиторий содержит варианты F32, F16 и BF16, рассчитанные на запуск через llama.cpp и совместимые движки инференса. Модель подходит для генерации текста в исследовательских сценариях, в том числе для работы с MCP-инструментами и источниками данных. В карточке указан английский язык. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит длину контекста или конкретные показатели качества; возможности работы с инструментами зависят от интеграции с MCP-средой.

Juniper Certificate — диалоговая языковая модель семейства Llama 2, опубликованная Abe13. Она предназначена для генерации текста и заявлена для анализа общедоступных документов, включая научные статьи, юридические материалы, исторические архивы и государственные публикации; её можно использовать для извлечения сведений и формулирования ответов по таким текстам. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. В README перечислены исследовательские и справочные сценарии, однако подробности обучения и подтверждённые результаты оценки не приведены. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Метаданные не подтверждают отдельные возможности поиска по документам или языки помимо доступных из карточки; сама модель генерирует текст по входному текстовому запросу.

KcELECTRA-base-v2022 — корейская предобученная языковая модель семейства ELECTRA, разработанная Beomi. Она обучена с нуля на комментариях и ответах к комментариям новостных статей Naver, чтобы лучше работать с пользовательским корейским текстом: разговорными выражениями, сленгом, опечатками и эмодзи. В обучающем корпусе было более 180 миллионов предложений; опубликованный чекпойнт прошёл 848 тысяч шагов обучения. Модель имеет плотную архитектуру ELECTRA с 155 млн параметров, контекстное окно 512 токенов и WordPiece-токенизатор со словарём из 30 тысяч токенов. Это базовый предобученный энкодер для последующей тонкой настройки: его применяли, в частности, для классификации тональности, распознавания именованных сущностей, оценки сходства и ответов на вопросы. В приведённых автором сравнениях версия v2022 улучшила результаты относительно KcELECTRA-base предыдущей версии на большинстве задач. Модель рассчитана прежде всего на корейский шумный пользовательский текст; для более общих текстовых задач автор отмечает, что KoELECTRA может работать лучше. Для прикладного решения обычно требуется дообучение под целевую задачу. Модель распространяется по лицензии MIT.

Карточка модели swartbwoy/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS на Hugging Face совпадает с карточкой KridgeDookie/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS, поэтому описание составлено по ней. KridgeDookie выпустил модифицированную версию языковой модели LiquidAI LFM2.5-2.6B: в ней намеренно снижена склонность отказываться от ответов. Модель построена на плотной гибридной архитектуре LFM2 с классом Lfm2ForCausalLM и содержит 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает чатовый шаблон с рассуждениями и контекст до 128 000 токенов. В репозитории доступны веса BF16 в safetensors и GGUF для llama.cpp. Модель предназначена для локальных экспериментов с редактированием поведения и отказов, а также для общих ассистентских задач, извлечения информации, вызова инструментов и творческой генерации. В собственных тестах авторов число отказов на отобранных вредоносных запросах заметно снизилось, при этом на пяти публичных тестах среднее изменение метрик составило −0,50 процентного пункта. Это сравнение не является независимой оценкой качества или безопасности. Снижение отказов распространяется и на вредоносные запросы: ответы могут быть опасными, незаконными, предвзятыми, неверными или раскрывать приватные сведения. Авторы отмечают повторы и неполные ответы в части тестов, а также предупреждают, что результаты BF16 нельзя автоматически переносить на квантизованные версии и другие среды запуска. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Luna 12B V.3 — мультимодальная merge-модель на архитектуре Gemma 3, созданная OddTheGreat из нескольких моделей семейства Gemma 3 12B. Она предназначена для повседневного помощника и ролевых диалогов, с основным акцентом на русский язык; также понимает английский и принимает изображения. Автор отмечает, что модель подходит для форматированных ответов, работы с документами и цитирования, хорошо учитывает контекст и небольшие детали. Модель не использует режим рассуждений, а в ролевых сценариях может изображать антагониста и описывать вредоносный контент. Модель доступна в формате safetensors и рассчитана на использование через Transformers. По описанию автора, она может работать на потребительских видеокартах с выгрузкой части модели в память, однако скорость зависит от оборудования. Длинные однообразные ответы могут приводить к повторениям; качество зрения автор подробно не оценивал. Лицензия в предоставленных данных не указана.

argilla/ModernBERT-domain-classifier — англоязычный классификатор текста, разработанный Argilla и дообученный на базе answerdotai/ModernBERT-base. Он предназначен для отнесения текстов к доменным категориям; конкретные классы и подробные сценарии применения в карточке не описаны. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. На указанном в README наборе оценки приведены F1 0,8914 и loss 0,3927. Доступна в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не уточняет набор меток, состав обучающих данных и ограничения качества за пределами указанных метрик.

MyAwesomeModel — модель из репозитория ASD12EDSXA/MyAwesomeModel-TestRepo, опубликованная с использованием Transformers и PyTorch. В метаданных Hugging Face она отнесена к задаче feature-extraction и имеет теги BERT и Transformers, поэтому её основное каталоговое назначение — извлечение признаков и представлений из входных данных для последующего анализа или машинного обучения. README также заявляет улучшенные способности к рассуждению, математике, программированию, диалоговой генерации, суммаризации, классификации и работе с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются техническими характеристиками базовой архитектуры, размером, модальностями, языками или длиной контекста. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель, опубликованная пользователем или организацией MabelCoco на Hugging Face. По метаданным она относится к семейству BERT, использует PyTorch и библиотеку Transformers, а основным сценарием применения обозначено извлечение признаков из текста. В README модель также позиционируется как обновлённая система с улучшенными рассуждениями, математикой, программированием, логикой, ответами на вопросы, классификацией, суммированием, диалогами и вызовом функций. Однако эти заявления относятся к широкому набору возможностей, тогда как официальная метка pipeline указывает feature-extraction; поэтому для каталога модель прежде всего следует рассматривать как средство получения векторных представлений текста и использования их в последующих NLP-задачах. Модель распространяется по лицензии MIT. README рекомендует использовать системный промпт с текущей датой и температуру 0,6, но не содержит подтверждённых сведений о размере модели, длине контекста, поддерживаемых естественных языках и точной архитектуре за пределами метки BERT. Заявленные результаты бенчмарков приведены в карточке модели без описания методологии проверки.

synapti/nci-ner-v1 — модель RoBERTa, дообученная разработчиком synapti на базе FacebookAI/roberta-base для классификации токенов. Она предназначена для задач разметки последовательностей, включая распознавание именованных сущностей. Архитектура — RobertaForTokenClassification; модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на оценочной выборке: precision 0,8854, recall 0,9097 и F1 0,8974. Датасет и типы сущностей не описаны, поэтому область применения и языковую поддержку уточнить нельзя. Модель распространяется по лицензии MIT.

uwe311/Nemotron-Mini-4B-Instruct-heretic — англоязычная версия NVIDIA Nemotron-Mini-4B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. Это плотная авторегрессионная Transformer-модель с 4,3 млрд параметров, поддерживающая диалоговую генерацию текста и контекст до 4096 токенов. В README приведено сравнение: доля отказов снизилась со 100 из 100 у исходной модели до 10 из 100 у этой версии; указанная KL-дивергенция относительно оригинала — 0,0568. Модель подходит для ролевых диалогов, ответов на вопросы по документам в RAG-системах и генерации ответов в приложениях, где нужно меньше отказов. README описывает базовую модель как оптимизированную для скорости и развёртывания на устройствах и упоминает применение в игровых сценариях NVIDIA ACE. Рекомендуется использовать исходный шаблон диалога; без него качество может снижаться. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и условиях NVIDIA.

NERDE-base — дообученная модель на архитектуре BERT для распознавания именованных сущностей в тексте на португальском языке. Модель разработана на основе pierreguillou/bert-base-cased-pt-lenerbr и дообучена на наборе данных nerde. Она содержит 136,1 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метки для токенов. На оценочной выборке указаны Precision 0,9119, Recall 0,9153, F1 0,9136 и Accuracy 0,9842. Модель предназначена для извлечения сущностей из португальских текстов; доступные сведения не уточняют набор типов сущностей и ограничения по жанрам или доменам. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

google/paligemma-3b-ft-ocrvqa-896 — модель семейства PaliGemma от Google, дообученная для визуальных вопросов и ответов с чтением текста на изображениях (OCR-VQA). Это компактная модель «изображение-текст»: принимает изображение и текстовый запрос, а в ответ генерирует текст. Архитектура PaliGemma объединяет визуальный энкодер SigLIP и языковую модель Gemma; вариант рассчитан на разрешение изображений 896 пикселей по названию репозитория. Модель предназначена для одношагового взаимодействия: можно задавать вопросы об изображении, включая вопросы, требующие распознавания надписей, и получать текстовый ответ. Она не рассчитана на многоходовый диалог и лучше подходит для специализированных сценариев с чёткими запросами, чем для свободного общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки, а качество снижается на сложных или неоднозначных запросах, тонких языковых нюансах и задачах, требующих здравого смысла. Модель может наследовать смещения обучающих данных; для использования в продуктах необходимы проверка ответов и меры безопасности.

Pawa-Gemma-Swahili-2B — диалоговая языковая модель компании Sartify LLC для общения и генерации текста на суахили и английском. Она основана на плотной архитектуре Gemma 2 и получена дообучением Google Gemma 2 2B: авторы продолжили предобучение на 3 млрд токенов суахили, затем применили supervised fine-tuning и Direct Preference Optimization. Модель предназначена для общего помощника, ответов на вопросы и генерации текста в чат-сценариях, включая приложения с RAG. Размер — 2,7 млрд параметров, контекст — до 8192 токенов; репозиторий использует формат Safetensors и библиотеку Transformers. В README указана поддержка суахили и английского; метаданные дополнительно отмечают английский. README предупреждает о возможных смещениях из обучающих данных и более слабой работе за пределами обученной области. Для комфортной работы авторы рекомендуют GPU с большим объёмом памяти; доступна 4-битная квантизация. В метаданных указана лицензия Apache-2.0, тогда как README говорит о пользовательских условиях и предлагает связаться с автором; условия распространения и использования следует уточнить у разработчика.

Perception Encoder PE-Core-B16-224 — визуально-языковая модель-энкодер, разработанная Meta для понимания изображений и видео. Это версия семейства PE Core размера B/16: визуальная башня имеет 12 слоёв и около 90 млн параметров, а текстовая — 24 слоя и около 310 млн параметров. Модель сопоставляет изображения и текст в общем пространстве признаков; изображения обрабатываются при разрешении 224 пикселя, длина текстового контекста составляет 32 токена. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для извлечения признаков и поиска по сходству изображений и текста. В README также приведены результаты на задачах классификации видео и поиска, однако карточка Hugging Face указывает основной задачей классификацию изображений zero-shot. Вариант B/16 показал результаты на наборах ImageNet-1k, ImageNet-v2, ImageNet-A, ObjectNet и Kinetics-400. PE Core использует контрастивное предварительное обучение и дополнительную настройку на синтетически согласованных видеоданных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления. Для работы требуются PyTorch и библиотека perception-encoder. Лицензия — Apache-2.0. Генерация текста или изображений не поддерживается; текстовый контекст ограничен 32 токенами.

PersianMind-v1.0 — кросс-лингвальная большая языковая модель на базе архитектуры Llama, разработанная Педрамом Ростами, Али Салеми и Мохаммадом Джавадом Дусти. Модель содержит 6,6 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов. Она предназначена для генерации текста на персидском и английском языках, включая понимание прочитанного, ответы на вопросы и перевод между этими языками. В карточке сообщается о высоких результатах на персидской части Belebele и задаче множественного выбора ParsiNLU, а также о сопоставимой с GPT-3.5-turbo точности в тесте на понимание персидского текста. Оценки из README также включают перевод персидского и английского на Flores-200. Модель доступна в форматах PyTorch и Safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 разрешает использование на некоммерческих условиях с соблюдением требований лицензии.

Hirundo Qwen3.6-35B-A3B Westernized — модель Hirundo на базе Qwen/Qwen3.6-35B-A3B, изменённая методом поведенческого unlearning для снижения цензурирующих и геополитически предвзятых ответов при сохранении прочих возможностей. Это мультимодальная MoE-модель для диалогов и анализа изображений; метаданные указывают семейство Qwen 3.5 MoE, интерфейс вызова инструментов и задачу image-text-to-text. Репозиторий содержит самостоятельный объединённый чекпойнт в формате Safetensors, который загружается без отдельного адаптера. В README не приведены размер контекста и список языков. Модель подходит для мультимодальных диалогов, анализа изображений и сценариев с вызовом инструментов, где требуется уменьшить отказы или геополитически обусловленные ответы. В оценках Thinking-OFF из блога Hirundo сообщается о снижении показателей на CCPC-500, DECCP и ChinaBench; результаты безопасности различаются по тестам, а README подчёркивает, что они относятся только к указанным бенчмаркам. Чекпойнт распространяется по лицензии Apache-2.0.

RoBERTa_Test_Training — дообученная ICT2214Team7 модель DistilRoBERTa для классификации токенов. Она обучена на датасете CoNLL-2003 и предназначена для разметки последовательностей, в частности для задач распознавания сущностей в тексте. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает контекст длиной до 514 токенов. Опубликована в формате Safetensors по лицензии Apache-2.0. В README приведены результаты на оценочной выборке: F1 0,9529, точность 0,9880, precision 0,9508 и recall 0,9550. Эти показатели относятся к указанной оценочной выборке; подробности разбиения данных и ограничения применения не описаны.

SigLIP 2 Giant — визуальная модель Google на основе семейства SigLIP 2, предназначенная для сопоставления изображений и текста. Её можно использовать для классификации изображений по заданным текстовым меткам без отдельного обучения на этих классах, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель предварительно обучена на наборе данных WebLI с объединённой методикой обучения SigLIP 2, которая улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Доступна в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает размер модели и длину контекста. Лицензия — Apache-2.0.

benjaminchristie/skill-minilm — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный для сравнения и поиска коротких текстов, связанных с навыками и действиями. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство оценивается косинусной мерой. Архитектура включает энкодер BERT, mean pooling и нормализацию. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; карточка модели заявляет максимальную длину последовательности 256 токенов. Модель обучена на 266 парах примеров с CosineSimilarityLoss и предназначена, в частности, для семантического поиска и сопоставления формулировок навыков. В карточке приведён результат Spearman 0,5246 на skill-vocab-val. Это узкая настройка на небольшом наборе данных, поэтому качество на других темах и длинных текстах может отличаться. Лицензия в предоставленных данных не указана.

Это визуальный энкодер SigLIP 2 на архитектуре ViT Giant с оптимизированными патчами 16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Модель соответствует только визуальной части SigLIP 2 и обучена на наборе данных WebLI. Модель предназначена для извлечения признаков изображений: полученные представления можно использовать для поиска похожих изображений, сопоставления изображений с текстом в составе мультимодальной системы и других задач визуального анализа на основе признаков. Метаданные указывают задачу image-feature-extraction; модель принимает изображения и выдаёт векторные представления. Репозиторий распространяется по лицензии Apache 2.0. Карточка не сообщает число параметров, длину контекста или ограничения качества; это визуальный энкодер, поэтому он сам по себе не генерирует текст и не принимает текстовые запросы.

X-CLIP base-sized patch16 — модель Microsoft для анализа видео и текста, основанная на расширении CLIP для понимания видео-языковых связей. Она обучена с учителем на наборе Kinetics-400 в контрастивном режиме на парах «видео — текст». Модель использует 8 кадров на видео с разрешением 224×224; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации видео в режимах zero-shot, few-shot и с обучением на размеченных данных, а также для поиска соответствий между видео и текстом. Её можно применять для оценки того, насколько текстовое описание подходит к ролику. На Kinetics-400 указаны результаты 83,8% top-1 и 95,7% top-5. Лицензия — MIT.

Mohamed Rashad разработал arabic-base-nougat — модель OCR на архитектуре VisionEncoderDecoderModel, дообученную на наборе MohamedRashad/arabic-img2md от facebook/nougat-base. Она преобразует изображения страниц арабских книг в структурированный текст, в том числе с разметкой Markdown, и подходит для оцифровки арабской литературы и извлечения текста из печатных материалов. В карточке заявлена поддержка арабского и английского языков; модель опубликована в формате safetensors и распространяется по лицензии GPL-3.0. При распознавании модель может повторять или искажать текст, а также выдавать нерелевантные пути к изображениям. Контекст ограничен 2048 токенами, поэтому транскрипция длинной страницы может быть неполной. Результаты следует проверять, особенно если важна точность.

CAMeL-Lab разработала CAMeLBERT-CA NER — модель распознавания именованных сущностей в классическом арабском языке. Это дообученная для классификации токенов версия CAMeLBERT Classical Arabic, обученная на наборе данных ANERcorp. Модель предназначена для извлечения и разметки именованных сущностей в арабском тексте. Её можно использовать в компоненте NER библиотеки CAMeL Tools или через pipeline Transformers. Архитектура — BERT с головой классификации токенов; модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель рассчитана на классический арабский и может применяться для обнаружения сущностей в предложениях и документах на этом языке. Она обучена на ANERcorp, поэтому качество на других вариантах арабского, доменах или схемах разметки может отличаться. Лицензия — Apache-2.0.

onnx-community/bert-base-multilingual-cased-ner-hrl-ONNX — ONNX-версия модели Davlan/bert-base-multilingual-cased-ner-hrl, автоматически сконвертированная и опубликованная сообществом ONNX на Hugging Face. Модель основана на многоязычной базовой версии BERT mBERT и предназначена для распознавания именованных сущностей в текстах. Модель решает задачу token classification и выделяет три типа сущностей: людей (PER), организации (ORG) и местоположения (LOC). Она обучена для арабского, немецкого, английского, испанского, французского, итальянского, латышского, нидерландского, португальского и китайского языков. Предусмотрено использование через Transformers.js и pipeline token-classification, что подходит для локального или браузерного инференса в ONNX-совместимой среде. Сильной стороной модели является единая многоязычная архитектура для десяти языков и поддержка определения границ соседних сущностей одного типа. Ограничение заключается в том, что обучение проводилось на размеченных новостных статьях определённого периода, поэтому качество может снижаться на текстах других доменов и в иных сценариях. Размер контекста и точные параметры ONNX-конфигурации в README не указаны. Модель распространяется по лицензии AFL-3.0.

nxaliao/bert-lg-cased-ms-ner-full — модель для разметки последовательностей, созданная дообучением google-bert/bert-large-cased. Она предназначена для token classification; название репозитория указывает на распознавание именованных сущностей, однако карточка не описывает набор меток или обучающие данные. Модель содержит 432,3 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Модель подходит для извлечения сущностей из текста и других задач токенной классификации. Карточка не сообщает, какие языки и типы сущностей она поддерживает, и не приводит результатов оценки. Распространяется по лицензии Apache-2.0.

VertexAIco подготовила пакет для локального запуска чат-модели Bonsai-27B на Mac с Apple Silicon. Это плотная архитектура семейства Qwen3.5 с 27 млрд параметров; пакет сохраняет все 64 слоя и исходные 1-битные веса Prism ML, а оптимизации относятся к коду запуска и настройкам MLX, а не к изменению весов. Модель предназначена для диалогов, следования инструкциям, суммаризации результатов поиска и вызова инструментов через приложение, которое само проверяет и выполняет запросы модели. Поддерживается запуск через интерактивный чат или локальный сервер с API в стиле OpenAI. На M4 Mac mini с 16 ГБ памяти авторы измерили 19,8 токена в секунду и 1,60 секунды до первого токена для короткого прогретого запроса; заметного ускорения относительно стандартного запуска в этом тесте не обнаружено. Для работы нужны Mac с Apple Silicon, MLX-форк Prism ML и полная загрузка репозитория вместе с конфигурацией, токенизатором и кодом запуска. Модель может ошибаться; в небольшом тесте она выполнила 15 из 18 заданий, а потери качества из-за исходной 1-битной квантизации относительно более точной версии не оценивались. Лицензия — Apache-2.0.

Qdrant/clip-ViT-B-32-vision — ONNX-порт визуальной части модели sentence-transformers/clip-ViT-B-32, опубликованный Qdrant. Модель содержит 113,2 млн параметров и предназначена для классификации изображений и поиска визуально похожих изображений; в карточке приведён пример использования через FastEmbed. Модель относится к семейству CLIP Vision и работает с изображениями, формируя визуальные представления для задач классификации и поиска сходства. Репозиторий содержит веса в формате ONNX. Лицензия — MIT.

Модель abd1987/esco-context-skill-extraction — дообученная TechWolf/ConTeXT-Skill-Extraction-base модель Sentence Transformers на архитектуре MPNet. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучалась на парах текстов, связанных с профессиональными навыками и действиями, и предназначена для поиска и сопоставления таких формулировок. Модель подходит для семантического поиска навыков, сравнения описаний и извлечения похожих формулировок, а также для кластеризации и классификации текстов с использованием векторов. Максимальная длина последовательности — 512 токенов; для корректной работы можно использовать библиотеку Sentence Transformers. Веса представлены в формате safetensors. Карточка не указывает лицензию и конкретный перечень поддерживаемых естественных языков. Качество может зависеть от соответствия входных формулировок обучающим данным о навыках и профессиях; тексты длиннее лимита контекста требуют усечения или разбиения.

GNER-LLaMA-7B — генеративная модель распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре LLaMA и предназначена для извлечения сущностей из текста, в том числе в ранее не встречавшихся предметных областях. В README сообщается о применении обучения с отрицательными примерами и результатах для вариантов GNER на LLaMA и Flan-T5; для GNER-LLaMA приведены средние F1 66,1 в режиме zero-shot и 86,09 при обучении с разметкой. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовый результат. Контекст — до 2048 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия Apache-2.0. Модель подходит для извлечения сущностей из текстов, но карточка не уточняет схему выдачи и полный перечень типов сущностей; заявленные метрики относятся к описанным в работе оценочным настройкам и не гарантируют качество на произвольных данных.