I.3Извлечение и структурирование данных

m3hrdadfi/roberta-zwnj-wnli-mean-tokens — модель эмбеддингов на архитектуре RoBERTa, представленная в формате PyTorch и содержащая 145,5 млн параметров. Она преобразует текст в векторные представления для извлечения признаков и вычисления сходства между предложениями. Для получения итогового представления README рекомендует использовать Sentence-Transformers либо применить подходящую операцию pooling к контекстным представлениям токенов в Transformers. Модель подходит для поиска семантически похожих предложений, группировки текстов и получения признаков для последующей обработки. Максимальная длина контекста — 514 токенов. Сведения о лицензии и поддерживаемых естественных языках в доступных данных отсутствуют.

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.

SIGMA-BERT-base — словенская языковая модель на архитектуре ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на словенских текстах методом masked language modeling. Это плотный encoder-чекпойнт примерно на 148,7 млн параметров с контекстом до 8192 токенов; модель использует токенизатор SentencePiece BPE с 50 000 токенов. Модель предназначена для заполнения пропусков и как основа для дообучения на задачах понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов, оценки семантического сходства, поиска по документам и ранжирования в RAG-системах. Длинное контекстное окно подходит для анализа больших документов. SIGMA-BERT-base не генерирует связный текст: это encoder для предсказания замаскированных токенов и извлечения языковых представлений. Модель рассчитана прежде всего на словенский язык и может отражать предубеждения обучающих данных. Лицензия — CC BY-SA 4.0.

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.

witty-works/test_false_positive_2 — модель на базе архитектуры MPNet, разработанная командой witty-works. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, сравнения предложений и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и возвращает эмбеддинги; заявленная длина контекста — 514 токенов. Для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Transformers. Модель подходит для семантического поиска и группировки текстов по смыслу. Она обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны языковая специализация и условия лицензии, поэтому их нельзя определить по предоставленным данным.

TomoroAI/tomoro-colqwen3-embed-8b — мультимодальная модель эмбеддингов для поиска по визуальным документам, созданная TomoroAI на основе Qwen/Qwen3-VL-8B-Instruct. Модель дообучена на наборах данных для поиска по документам и использует подход ColPali с поздним взаимодействием векторов и оценкой MaxSim. Архитектура включает вариант Qwen3-VL на 8 млрд параметров и проекционную голову размерностью 320. Модель кодирует текстовые запросы и изображения документов, включая страницы PDF, в многовекторные представления для поиска по содержимому страниц; также поддерживается поиск по коротким видео. Для страницы допускается до 1280 визуальных токенов, для видео — до 5120. README сообщает о конкурентных результатах на ViDoRe V1–V3 на английском и нескольких языках; модель предназначена для извлечения релевантных документов, а не для генерации ответов. Входы включают текст и изображения, а в сценариях поиска по коротким видеороликам — видео; выход — векторные представления и оценки релевантности. Модель опубликована под лицензией Apache-2.0. Для загрузки в README используется trust_remote_code=True, а пример запуска предусматривает значительные вычислительные ресурсы для модели на 8 млрд параметров.

Hukyl/trocr-large-uk-handwritten — модель распознавания рукописного украинского текста на отдельных изображениях строк. Её разработал Hukyl на основе TrOCR-Large с архитектурой VisionEncoderDecoderModel: визуальный энкодер ViT-L/16 с разрешением 384 пикселя и декодер TrOCR; размер составляет около 558 млн параметров. Модель дообучена на смеси реальных и синтетических корпусов кириллического рукописного текста и предназначена также для дальнейшей адаптации к целевым данным. Модель принимает обрезанные изображения строк и выдаёт распознанный текст. Для распознавания целых страниц сначала нужны сегментация строк или детектор областей. На документах вне обучающего распределения качество заметно ниже, чем на похожих обучающих данных: в описанной проверке CER составил 0,1925 на страницах Rukopys. Результаты проверки на обучающем распределении нельзя считать оценкой качества на реальных документах; для шумных архивных сканов рекомендуется дообучение на данных целевого домена. Лицензия весов — Apache-2.0; при распространении модели также требуется указывать атрибуцию датасета UkrHandwritten по условиям CC BY-SA 4.0.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в соцсетях. Она основана на CardiffNLP/twitter-xlm-roberta-large-2022 и дообучена на наборах TweetTopic и X-Topic; архитектура — XLM-RoBERTa Large с классификационной головой, размер — 658,7 млн параметров. Модель принимает текст и может присваивать ему несколько тематических меток, включая искусство и культуру, бизнес, повседневную жизнь, здоровье, новости, науку, спорт и путешествия. Модель рассчитана на английский, испанский, японский и греческий языки. Её можно использовать для тематической разметки постов, анализа интересов аудитории и сортировки публикаций по темам. В README приведены результаты X-Topic: Macro-F1 от 50,3 до 60,2 и Micro-F1 от 61,4 до 73,0 в зависимости от языка. Контекст — до 514 токенов. Лицензия — MIT.

webAI-ColVec1-9b — мультимодальная модель поиска по визуальным документам от webAI-Official, дообученная на базе Qwen/Qwen3.5-9B. Она кодирует текстовые запросы и изображения страниц документов в многовекторные представления размерности 2560, нормализованные по L2. Архитектура ColBERT-style использует общий энкодер для текста и изображений и позднее взаимодействие токенов с оценкой MaxSim. Модель предназначена для поиска релевантных страниц и документов по запросу на естественном языке, включая PDF-страницы, таблицы и визуально представленные документы. Карточка сообщает о мультиязычном обучении на объединённом наборе примерно из двух миллионов пар «вопрос — изображение» и о результатах на бенчмарках ViDoRe V1 и V3. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. README сообщает о доступности более новой версии ColVec1.1-8b.

XDoc-base-SQuAD2.0 — модель Microsoft для ответов на вопросы по тексту, связанная с проектом XDoc, представленным в работе о едином предварительном обучении для понимания документов разных форматов. В карточке указана архитектура RoBERTa с головой для question answering и 151,8 млн параметров; модель доступна в формате PyTorch, контекст — до 514 токенов. Модель предназначена для поиска ответа на вопрос в предоставленном контексте и может применяться для извлечения сведений из документов и ответов на вопросы по их тексту. README описывает XDoc как единую предварительно обученную модель для разных форматов документов, но не уточняет модальности и конкретные возможности данного чекпойнта. Лицензия — MIT.

XLM-RoBERTa-XL (xxlarge) — крупная многоязычная модель семейства RoBERTa, разработанная командой Facebook/Meta и впервые опубликованная в репозитории Facebook. Модель с 13,9 млрд параметров предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках; её архитектура — XLM-RoBERTa-XL с двунаправленным кодировщиком и контекстом до 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Основная задача модели — предсказание замаскированных токенов в тексте. Полученные представления также подходят как основа для дообучения классификаторов последовательностей и токенов, а также систем ответов на вопросы. Модель рассчитана на работу с многоязычным текстом и извлечение контекстных признаков; для генерации связного текста авторы рекомендуют использовать авторегрессионные модели. Для практических задач классификации и разметки потребуется дообучение на целевых данных.

Ara-EuroBERT — модель Sentence Transformer, разработанная Omartificial Intelligence Space путём дообучения EuroBERT/EuroBERT-210m для получения семантических эмбеддингов арабского текста. Энкодер содержит около 211,7 млн параметров и обрабатывает до 8192 токенов. Он преобразует предложения и абзацы в плотные векторы размерностью 768; обучение Matryoshka позволяет использовать также размерности 512, 256, 128 и 64. Для сравнения векторов рекомендуется косинусная мера. Модель предназначена для оценки семантического сходства, семантического поиска, извлечения информации, кластеризации текстов, обнаружения перефразирований и классификации. В README сообщается об улучшении относительных показателей STS17 и STS22.v2 по сравнению с базовым EuroBERT-210M. Модель оптимизирована для арабского языка; качество на других языках и в специализированных областях может быть ниже. Для очень коротких текстов полезно добавлять контекст, а длинные документы рекомендуется делить на смысловые фрагменты. Лицензия — MIT.

SoelMgd/bert-pii-detection — модель на основе DistilBERT, дообученная для обнаружения и классификации персональных данных в тексте. Она выполняет токенную классификацию и размечает 56 типов сущностей, включая имена, контакты, адреса, финансовые реквизиты, идентификаторы и учётные данные. Модель предназначена для поиска и маскирования персональных данных, обезличивания наборов текста и проверки текстовых данных в сценариях защиты приватности и соблюдения требований к обработке данных. Использует архитектуру DistilBertForTokenClassification и поддерживает английский язык. Контекст ограничен 512 токенами; качество может снижаться на коротких и длинных текстах, а также на специализированной терминологии. Модель обучена на данных AI4Privacy; в README указаны наборы PII-42k и PII-200k. Лицензия — MIT.

gpancardo/beto-pii — дообученная модель BETO для обнаружения и классификации персональных данных в испанском тексте. Она использует архитектуру BERT-base для классификации токенов и BIO-разметку с 24 типами PII; в метаданных указано 137,1 млн параметров, а контекстное окно составляет 512 токенов. Модель предназначена для поиска фрагментов с именами, адресами, телефонами, электронной почтой, идентификаторами и финансовыми данными, например для их маскирования, анонимизации или удаления. Модель разработана как испаноязычный энкодер для исследовательского сравнения подходов к обнаружению PII. Её можно применять к отдельным документам или пакетам текстов и подключать через Transformers pipeline. Она обучена на испанской части синтетического набора ai4privacy/pii-masking-200k; адаптация BETO к испанскому может помогать распознавать особенности испанских имён и документов. Лицензия — MIT. Модель рассчитана на испанский язык, хуже подходит для текстов без контекста и не проверялась на устойчивость к намеренной обфускации и опечаткам. Синтетические обучающие данные могут отличаться от реальных текстов, поэтому качество на реальных данных может меняться; для длинных документов README рекомендует разбиение на фрагменты.

CamemBERT-L10 — компактная версия предварительно обученной языковой модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. Модель разработана авторами семейства CamemBERT и предназначена для обработки французского текста; в репозитории представлены веса PyTorch и Safetensors, лицензия — MIT. Модель принимает текст и выдаёт контекстные признаки токенов. Её можно использовать для masked language modeling, а основное назначение — дообучение для задач, где решение зависит от всего предложения: классификации текста, извлечения ответа на вопрос и семантического поиска. По README версия L10 удаляет 10 из предварительно обученных слоёв базовой модели; в метаданных указан размер 119 млн параметров, максимальный контекст — 514 токенов. CamemBERT-L10 не является авторегрессионной моделью и не предназначена для генерации текста. Для прикладных задач качества может потребоваться дообучение на соответствующих данных.

CamemBERT-L4 — облегчённая версия предварительно обученной языковой модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, 62,3 млн параметров и контекст до 514 токенов; модель распространяется в форматах PyTorch и safetensors по лицензии MIT. Модель предназначена прежде всего для дообучения под задачи, где нужно учитывать целое предложение: классификации текста, извлечения ответа на вопрос и семантического поиска. Её также можно использовать для извлечения признаков и masked language modeling. README не рекомендует её для генерации текста и советует для этого авторегрессионные модели. Язык модели — французский; сравнительно с исходной CamemBERT-base удаление слоёв уменьшает размер модели, но характеристики качества для конкретных задач зависят от последующего дообучения.

CamemBERT-L8 — прореженная версия предварительно обученной модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, класс CamembertModel, около 100,1 млн параметров и контекст длиной до 514 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение опирается на всё предложение: классификацию текста, извлечение ответов на вопросы и семантический поиск. Её также можно использовать для извлечения признаков и masked language modeling. Для генерации текста автор рекомендует авторегрессионные модели. Модель работает с текстом на французском языке. Удаление верхних слоёв уменьшает модель относительно исходной CamemBERT-base; числовой размер L8 подтверждён метаданными, а README описывает семейство вариантов с разным числом удалённых слоёв. Лицензия — MIT.

Карточка модели NormalGuy85/Crunch-Ai2 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

DISASTER_MODEL_PRECHATS — модель на основе BERT, опубликованная пользователем omarelsayeed. Она преобразует предложения и абзацы в плотные векторы размерностью 256 для сравнения текстов по смыслу, семантического поиска и кластеризации. Модель можно использовать через библиотеку Sentence-Transformers либо Transformers с подходящей операцией pooling; в метаданных указаны 12,4 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт векторные представления. Карточка описывает обучение с LoggingDenoisingAutoEncoderLoss, но не приводит сведения о языках обучения, датасете или результатах оценки. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

GLM-5.3-Flash EXL3 K2 — общественный квантованный пакет модели GLM-5.3-Flash-BF16, подготовленный vcruz305 на основе модели Z.AI. Это текстогенерационная модель с архитектурой Glm5NextForConditionalGeneration и поддержкой английского и китайского языков. Квантование EXL3 с точностью 2 бита применяется только к маршрутизируемым MoE-экспертам; компоненты внимания, общие слои, эмбеддинги, выходная голова и vision-компоненты сохраняют исходный формат. Пакет состоит из 120 файлов safetensors и занимает около 91 ГиБ. Модель предназначена для генерации текста и сценариев инференса с большим контекстом. Заявленный максимальный выделяемый контекст составляет 131072 токена, рекомендуемый контекст обслуживания — 65536 токенов; отдельно проверено извлечение данных из реальных текстов длиной до 163479 токенов. На NVIDIA GB10 заявлена скорость 15,7–16,5 токена в секунду при контексте 8K и 14,6–15,7 токена в секунду при 64K с использованием native MTP k=2. К преимуществам относятся существенно уменьшенный размер по сравнению с полноточными весами, поддержка MoE и длинного контекста. Ограничения включают снижение точности из-за 2-битного квантования, необходимость специальной сборки vLLM с поддержкой EXL3 и Glm5Next, а также известную ошибку runtime для некоторых запросов длиной примерно от 163K до 180K токенов. Лицензия весов — MIT.

QuantFactory/Hermes-2-Theta-Llama-3-8B-GGUF — квантованная GGUF-версия Hermes-2-Theta-Llama-3-8B, созданная с использованием llama.cpp. Исходную модель разработала Nous Research совместно с Charles Goddard из Arcee, при этом Hermes-2 Theta представляет собой экспериментальное объединение Hermes 2 Pro и Meta Llama 3 Instruct с последующим обучением с подкреплением на основе обратной связи человека (RLHF). Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. Модель ориентирована на многошаговые чаты, следование системным инструкциям, генерацию структурированного JSON и вызов функций. Она использует формат промптов ChatML с ролями system, user и assistant, поддерживает chat template и совместима с подходом OpenAI к форматированию диалогов. В карточке также указано обучение на датасете teknium/OpenHermes-2.5 и наличие методов DPO, синтетических данных и дистилляции в контексте разработки. Размер исходной модели — 8B параметров; точный тип и уровень квантования, размер контекста и требования к ресурсам не указаны. Сильными сторонами являются сочетание возможностей Hermes 2 Pro и Llama 3 Instruct, поддержка управляемых диалогов, function calling и JSON-вывода. Модель описана как экспериментальная, а в карточке отсутствуют количественные результаты оценки, сведения о конкретных вариантах квантования и подробные ограничения качества, поэтому пригодность для конкретных задач следует проверять отдельно. Распространение указано по лицензии Apache 2.0.

InternVL3.5-8B — мультимодальная модель OpenGVLab для диалога и рассуждений по тексту и изображениям. Вариант построен на InternVL3.5-8B-MPO и дообучен на данных OpenGVLab/MMPR-v1.2 и MMPR-Tiny; архитектура — плотная InternVLChatModel. Модель распространяется в формате safetensors и поддерживает Transformers. Модель предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста на изображениях и диалоговых сценариев с изображениями. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. В README также заявлены возможности взаимодействия с GUI и embodied-сценарии для семейства, но их поддержка именно этой версии 8B отдельно не уточняется. Модель принимает изображения и текстовый контекст и генерирует текстовые ответы. Карточка характеризует языковую поддержку как многоязычную, но конкретные языки и длина контекста для этого репозитория не приведены. Лицензия — Apache-2.0. Для инференса описано использование Transformers; обработка нескольких изображений увеличивает число входных токенов и может требовать большего контекстного окна.

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.

Groq Llama-3-Groq-70B-Tool-Use — языковая модель Groq на архитектуре Llama 3, дообученная с помощью полного fine-tuning и Direct Preference Optimization на базе Meta Llama 3 70B. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, поддерживает контекст до 8192 токенов и рассчитана прежде всего на английский язык. Модель предназначена для вызова функций и инструментов: взаимодействия с API, манипуляций со структурированными данными и выполнения сложных последовательностей действий через инструменты. В README указан результат 90,76% на Berkeley Function Calling Leaderboard. Для общих знаний и свободного диалога специализированная настройка может быть менее подходящей; ответы могут быть неточными или предвзятыми, а результат чувствителен к настройкам temperature и top_p. Модель распространяется по лицензии Meta Llama 3 Community License. README описывает её применение в исследованиях и разработке сценариев использования инструментов.

NVIDIA Llama Nemoretriever ColEmbed 3B v1 — мультимодальная модель позднего взаимодействия для поиска документов по запросу. Она дообучена на основе мультимодальной архитектуры с SigLIP 2 Giant и Llama 3.2 3B и формирует ColBERT-подобные многовекторные представления: принимает текстовый запрос и текст или изображение страницы документа, возвращая числовые векторы для токенов. Модель предназначена для поиска по страницам с текстом, таблицами, графиками и инфографикой, в том числе в системах мультимодального RAG и кросс-модального поиска. По заявлению разработчика, модель заняла первые места на ViDoRe V1, ViDoRe V2 и MTEB VisualDocumentRetrieval в опубликованных на июнь 2025 года оценках. Для запуска указаны Transformers 4.49.0 и Flash Attention; README перечисляет TensorRT и Triton, Linux и GPU NVIDIA A100 или H100. Модель доступна только для некоммерческого и исследовательского использования. Она предназначена для извлечения релевантных документов и выдаёт эмбеддинги, а не готовые текстовые ответы; показатели качества относятся к указанным бенчмаркам.

Isotonic/mdeberta-v3-base_finetuned_ai4privacy_v2 — модель классификации токенов, дообученная на базе microsoft/mdeberta-v3-base на наборе ai4privacy/pii-masking-200k. Она предназначена для обнаружения и разметки персональных данных в тексте, например перед маскированием или обезличиванием документов. Модель использует архитектуру DeBERTa V3 с 306 млн параметров и принимает последовательности длиной до 512 токенов; доступны форматы Safetensors и ONNX. На тестовом наборе указаны precision 0,9636, recall 0,9731, F1 0,9683 и accuracy 0,9896. В карточке перечислены английский, немецкий, французский и итальянский языки. Лицензия указана как CC BY-NC 4.0; README также описывает отдельные условия Ai4Privacy: бесплатное использование для частных лиц, некоммерческих организаций и компаний до трёх сотрудников, а крупным коммерческим организациям требуется корпоративная лицензия. Перед применением следует сверить точные условия лицензии и проверить качество на собственных данных.

QuantFactory/mem-agent-GGUF — это квантизированная версия модели driaforall/mem-agent, подготовленная QuantFactory с использованием llama.cpp. Исходная модель основана на Qwen3-4B-Thinking-2507 и дообучена методом GSPO на агентном каркасе с файловой системой памяти, напоминающей Obsidian. Модель предназначена для интеллектуальной работы с долговременной памятью: поиска релевантных сведений, фильтрации или полного сокрытия извлечённой информации, добавления и обновления данных, а также запроса уточнений при неясных или противоречивых пользовательских запросах. Она взаимодействует с инструментами для чтения, создания, обновления и удаления файлов и каталогов. Память организована в виде Markdown-файлов с ссылками между профилем пользователя и сущностями. Модель может использоваться самостоятельно, но разработчики рекомендуют подключать её как MCP-сервер к более крупной языковой модели. Известно, что модель содержит около 4 млрд параметров и ориентирована на текстовую генерацию и агентное взаимодействие; сведения о поддерживаемых языках, размере контекста и конкретных параметрах квантизации в карточке не указаны. На тесте md-memory-bench она получила общий результат 0,75, показав особенно сильные результаты в извлечении, обновлении и фильтрации памяти по сравнению с базовой Qwen3-4B-Thinking-2507. Ограничения включают зависимость от заданного формата Markdown-памяти и инструментального каркаса, а также меньшие возможности по сравнению с более крупными моделями в отдельных сценариях. Лицензия в карточке модели не указана.

chskolymps/my_awesome_qa_model — англоязычная модель DistilBERT, дообученная для извлечения ответа на вопрос из текста. Она принимает вопрос и контекст и предназначена для сценариев вопросно-ответного поиска по текстовым материалам. Модель основана на distilbert/distilbert-base-uncased, имеет архитектуру DistilBertForQuestionAnswering и контекстное окно 512 токенов. В README приведены значения потерь на обучающей и проверочной выборках после девяти эпох, но не описаны датасет и методика оценки, поэтому качество на других данных по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

names-linking-model — модель эмбеддингов на базе MPNet, разработанная исследовательской группой Dell Research–Harvard и предназначенная прежде всего для связывания записей и сопоставления сущностей с помощью пакета LinkTransformer. Она дообучена на sentence-transformers/all-mpnet-base-v2 на данных об именах из связанных переписей населения США; при обучении использовались только имена и функция SupCon loss. Модель преобразует текст в плотные векторы размерности 768 и подходит для кластеризации, дедупликации, связывания и агрегирования записей, а также семантического поиска и задач сходства предложений. Архитектура — MPNet с усреднением токенных представлений и нормализацией; модель рассчитана на английский язык. Метаданные указывают контекст до 514 токенов, а конфигурация README задаёт максимальную длину последовательности 384 токена. Специализация на именах из переписей населения США может ограничивать качество сопоставления других типов записей и данных за пределами английского языка. Модель распространяется под лицензией, указанной в карточке Hugging Face.

Карточка модели ldov/Nemotron-3-Diarization на Hugging Face совпадает с карточкой nvidia/Nemotron-3-Diarization, поэтому описание составлено по ней. Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.