I.3Извлечение и структурирование данных

unsloth/Qwen2.5-0.5B-Instruct-unsloth-bnb-4bit — компактная 4-битная версия модели Qwen2.5-0.5B-Instruct, подготовленная Unsloth на базе семейства Qwen, разработанного командой Qwen. Модель предназначена для задач генерации и обработки текста, включая диалоговые приложения, следование инструкциям, работу со структурированными данными, генерацию JSON, базовое программирование и математические запросы. Модель относится к классу авторегрессионных языковых моделей и содержит около 0,49 млрд параметров, из которых около 0,36 млрд не являются параметрами эмбеддингов. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV внимания, связанные эмбеддинги слов и Grouped Query Attention с 14 головами для Q и 2 для KV. Заявлена поддержка контекста до 32 768 токенов. Семейство Qwen2.5 поддерживает более 29 языков, включая английский, китайский, русский и другие, однако для данной конкретной версии в метаданных явно указан английский язык. Ключевое преимущество версии — сниженные требования к памяти благодаря 4-битному квантованию Unsloth, при этом заявлено выборочное квантование Dynamic 4-bit для лучшего сохранения точности по сравнению со стандартными 4-битными форматами. Ограничениями являются небольшой размер модели и, как следствие, более ограниченные возможности по сравнению с крупными моделями; README также не содержит подробных результатов бенчмарков именно для этой версии. Лицензия — Apache-2.0.

cwolff/qwen3.5-2b-grpo-sqale — дообученная модель-агент на базе Qwen/Qwen3.5-2B, созданная cwolff для преобразования вопросов на естественном языке в SQL-запросы. Она исследует базу данных через инструменты, получает результаты их вызова и затем отправляет SQL-запрос; обучение с GRPO использовало выполнение запросов на SQLite и наборы cwolff/queries и cwolff/schemas. Модель относится к плотной архитектуре Qwen3.5 с 2 млрд параметров и рассчитана на диалоговый режим. Для работы ей нужен цикл агента: каждый ответ представляет собой JSON-вызов инструмента, который приложение выполняет и передаёт модели как следующий ход. Обучение использовало бюджет эпизода 24 576 токенов; это значение не следует считать подтверждённым максимальным контекстом модели. В карточке приведены результаты на BIRD dev, включая сложные вопросы, и описан выигрыш относительно исходной модели на сложных запросах. Практическое качество зависит от реализации цикла инструментов и схемы базы данных; без такого цикла модель, согласно README, работает заметно хуже. Лицензия — Apache-2.0.

Qwen3.8-27B-heretic-VL-MLX-bf16 — мультимодальная модель для диалогов и анализа изображений, подготовленная donedynamics для компьютеров Apple Silicon. Это конверсия в формат MLX из trohrbaugh/Qwen3.8-27B-heretic-ara; в репозитории сохранён визуальный энкодер. Модель принимает текст и изображения, а библиотека запуска — mlx-vlm. Основа модели — плотная архитектура Qwen3.5 с 27 млрд параметров; веса представлены в bf16 без квантизации. Модель распознаёт объекты и их атрибуты на изображениях и отвечает на текстовые запросы. В README описан режим рассуждения, включённый по умолчанию: он расходует токены до начала ответа и может занять весь небольшой лимит генерации. В базовой модели снижено число отказов на запросы, которые обычно отклоняет модель с настройкой безопасности. Поэтому перед пользовательским развёртыванием следует оценить её ответы и при необходимости применять собственную фильтрацию. Лицензия — Apache-2.0.

Qwen3.8-27B-huihui-abliterated-NVFP4-NInfer — мультимодальная модель для работы с текстом и изображениями, упакованная в формат NVFP4 для движка NInfer. Артефакт основан на huihui-ai/Huihui-Qwen3.8-27B-abliterated и является результатом конвертации формата без дополнительного дообучения или изменения поведения. Модель позиционируется как версия без стандартных отказов, унаследовавшая эти характеристики от исходной модели. Конкретный разработчик данного артефакта в README не указан; конвертация подготовлена для экосистемы NInfer. Модель предназначена для локального инференса, генерации текста, обработки изображений и сценариев с длинным контекстом. Она включает текстовый и зрительный компоненты, MTP-модуль для speculative decoding, оптимизированную proposal head, токенизатор, chat template и ресурсы обработки мультимедиа. Заявлена поддержка контекста до 262 144 токенов при серверном запуске. Размер файла составляет около 21,5 ГБ, а для весов требуется примерно 19 ГиБ видеопамяти. Ключевое ограничение — требование видеокарты NVIDIA Blackwell с compute capability 12.0 (sm_120a); на Ada и Hopper NVFP4 не запускается. Модель совместима со стандартной сборкой NInfer и рассчитана на ускоренный инференс с MTP: в приведённых измерениях скорость speculative decoding достигала 269,9 токена в секунду, а prefill — 875–1 900 токенов в секунду, однако результаты зависят от оборудования и настроек. Языки явно не перечислены. Лицензия — Apache-2.0.

HermiHg/Qwen3.8-27B-mmproj-Q5_K-MIX-GGUF — это мультимодальный проектор mmproj для модели Qwen3.8-27B, совместимый с llama.cpp. Проектор включает тензоры vision encoder и преобразователи признаков изображения в представление, используемое языковой моделью; саму языковую модель этот файл не содержит. Модель основана на Qwen/Qwen3.8-27B и предназначена для сценариев image-text-to-text: анализа изображений, визуального вопросно-ответного взаимодействия, OCR, работы с диаграммами и задач восприятия. Использована смешанная 4–6-битная квантизация Q5_K-MIX: основные attention- и FFN-проекции представлены в 5 битах, крупная FFN down-проекция — в 6 битах, а vision-to-LM projectors сжаты до 4 бит. Нормализации, смещения и позиционные или patch-эмбеддинги сохранены в F32. Размер составляет около 331 MiB против 888 MiB у исходного BF16-проектора, то есть примерно 37% от исходного. В тесте на 5251 парном документе и 11 визуальных бенчмарках средний результат составил 0,7458 против 0,7493 у BF16-версии; заявленная потеря — около 0,46% относительно эталона. Сильная сторона модели — существенная экономия памяти при сохранении близкого к BF16 качества, включая задачи TextVQA, OCR, GQA, ScienceQA, MMStar, ChartQA и BLINK. Ограничение состоит в том, что это только мультимодальный проектор, поэтому для работы необходима совместимая Qwen3.8-27B и поддержка mmproj в llama.cpp. Языки и размер контекста в README не указаны. Распространяется по лицензии Apache-2.0.

Qwen3-VL-2B-Instruct-MLX-bf16 — конвертированная в формат MLX bf16 версия мультимодальной модели Qwen3-VL-2B-Instruct, подготовленная командой LM Studio для Apple Silicon. Это плотная модель семейства Qwen3-VL с 2 млрд параметров, предназначенная для диалога и анализа изображений; карточка базовой модели также указывает на работу с видео, OCR, пространственное рассуждение и визуальные интерфейсы. Модель принимает текст и изображения и формирует текстовые ответы. Вариант рассчитан на запуск на компьютерах Apple Silicon через MLX. Лицензия — Apache-2.0. Как и другие генеративные модели, она может выдавать неточные или неподходящие ответы; README отдельно отмечает отсутствие гарантий со стороны LM Studio.

Qwen_Qwen3-VL-4B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-4B-Thinking, разработанной Qwen и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач преобразования изображений и текста в текст, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от полноразмерных весов BF16 размером 8,05 ГБ до более компактных квантизаций размером около 1,8–4,3 ГБ. Указан размер базовой модели — 4B параметров, а поддерживаемая мультимодальность включает изображения и текст. README не содержит сведений о языках, размере контекста, точной архитектуре, результатах оценки или конкретных прикладных сценариях исходной модели. Версии Q6 и Q5 позиционируются как высококачественные, Q4 — как сбалансированные по качеству и размеру, а Q3 и некоторые IQ-варианты — как решения для устройств с ограниченным объёмом оперативной памяти, но с заметным снижением качества. Лицензия в предоставленных данных не указана; условия использования следует уточнять в репозитории базовой модели Qwen/Qwen3-VL-4B-Thinking.

Surromind/RetrievalLLM-preview — разработанная Surromind модель для RAG-сценариев, созданная полным дообучением Qwen2.5-14B на специализированных корейских наборах данных для поиска, ответов на вопросы и рассуждений. Она принимает запрос и найденные документы, а затем формирует структурированный JSON с релевантными документами, выдержками-источниками, кратким ответом и версией ответа с цитатами. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка описывает работу с корейскими административными и новостными документами, книгами, таблицами, финансовыми и юридическими текстами. Для обучения использовались H100, bf16 и три эпохи полного дообучения. Лицензия — Apache-2.0. Модель предназначена для генерации ответов, основанных на переданных документах, включая указание источников. Качество зависит от релевантности и полноты документов, предоставленных на вход; заявленная ориентация на корейский язык не подтверждает поддержку других языков.

RigoBERTa 2.0 — испаноязычная языковая модель-энкодер, разработанная IIC. Она получена дальнейшим языково-адаптивным предобучением FacebookAI/xlm-roberta-large на отобранном испанском корпусе с помощью masked language modeling. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель предназначена для понимания испанского текста и может служить основой для классификации текстов, распознавания именованных сущностей и других задач NLP. В Hugging Face она опубликована для заполнения пропусков в замаскированном тексте. Токенизатор унаследован от базовой модели; для длинных последовательностей в описанном процессе применяются сегменты с перекрытием. Лицензия rigoberta-nc запрещает коммерческое использование без согласования с разработчиками. Среди ограничений указаны возможные смещения в данных предобучения и необходимость оценивать вычислительные затраты при развертывании на устройствах с ограниченными ресурсами.

kornwtp/SCT-model-phayathaibert — модель Sentence Transformers на архитектуре CamemBERT, разработанная автором репозитория kornwtp. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения предложений и кластеризации. Модель обучалась на тайской Википедии и рассчитана на тайский текст; максимальная длина контекста составляет 512 токенов, размер — около 304,7 млн параметров. Модель можно применять для семантического поиска, оценки сходства текстов и группировки похожих фрагментов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает специальных ограничений, кроме длины контекста и ориентации на тайские данные.

Defog SQLCoder2 — созданная Defog языковая модель на 15 млрд параметров для преобразования вопросов на естественном языке в SQL-запросы. Это дообученная версия базовой модели StarCoder с архитектурой GPTBigCode; веса доступны в формате PyTorch, а контекст составляет 8192 токена. Модель предназначена для генерации запросов по описанию схемы базы данных и вопросу пользователя. В опубликованной Defog оценке на наборах данных, не встречавшихся при обучении, SQLCoder2 получила 77,5% правильных ответов. Разработчик также сообщает, что дообучение на конкретной схеме может повысить качество, однако результаты зависят от схемы и формулировки запроса. Для работы с полной точностью модель проверяли на GPU A100 с 40 ГБ памяти; README также описывает запуск 8- и 4-битных квантованных вариантов на устройствах с 20 ГБ памяти. В метаданных указана лицензия other, поэтому перед использованием следует проверить условия в репозитории модели.

SQLCoder-70B-Alpha — языковая модель компании Defog, предназначенная для преобразования запросов на естественном языке в SQL. Она создана дообучением CodeLlama-70B и использует плотную архитектуру Llama с 68,7 млрд параметров и контекстом до 16 384 токенов. Модель подходит для аналитики: помогает пользователям без технической подготовки задавать вопросы к данным в SQL-базах и получать запросы для анализа дат, группировок, сортировки, отношений, соединений таблиц и фильтрации. В карточке приведены результаты оценки SQL-Eval для PostgreSQL по категориям date, group_by, order_by, ratio, join и where. Модель не предназначена для администрирования баз данных и не обучалась отклонять вредоносные запросы от пользователей с правами записи. Её следует использовать только с доступом к базе данных на чтение. Лицензия — CC BY-SA 4.0.

STAR-QA — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для поиска ответов в документах по аудиту, управлению рисками, комплаенсу и связанным нормативным материалам. Она кодирует текстовые фрагменты в плотные векторы размерности 768 для семантического поиска и кластеризации, в том числе как компонент конвейера RAG. Модель обучена на примерно 18 тысячах пар «вопрос — ответ», сформированных из двухпредложных фрагментов документов с помощью LLM; при дообучении применялась MultipleNegativesRankingLoss. В README приведено сравнение с базовой моделью на отложенной выборке STAR-QA, где STAR-QA показала более высокие значения Precision@3, Recall@3 и MRR@10. Архитектура MPNet содержит 136,7 млн параметров, максимальный контекст — 514 токенов. Модель подходит для поиска релевантных фрагментов по запросам и группировки похожих текстов в профильных корпусах. Она создаёт эмбеддинги, а не готовые ответы; качество за пределами описанных областей и оценки на выборке STAR-QA не подтверждены. Лицензия — Apache-2.0.

StructLM-34B — языковая модель TIGER-Lab для задач grounding по структурированным знаниям. Это плотная авторегрессионная модель семейства Llama с 33,5 млрд параметров, дообученная на инструкционном наборе TIGER-Lab/SKGInstruct, который объединяет 19 задач со структурированными знаниями и SlimOrca. Модель принимает линеаризованные структурированные данные и инструкции, а ответ формирует в текстовом виде; для версии 34B в README приведён специальный формат промпта. Контекст — до 16 384 токенов. Модель предназначена для вопросов и рассуждений по таблицам, графам знаний и другим структурированным входам, включая генерацию SQL, ответы по графам знаний и проверку утверждений по таблицам. В приведённых авторами оценках StructLM-34B показала результаты на наборах ToTTo, GrailQA, CompWebQ, MMQA, Feverous, Spider, TabFact, DART, BIRD, InfoTabs, FinQA и SQA. README предупреждает, что качество в этой области остаётся сложной задачей и модель может быть недостаточно надёжной для непосредственного использования в чате и других приложениях. Лицензия — MIT.

Terminal-dataquerying — дообученная на базе Qwen/Qwen3-8B диалоговая языковая модель, созданная автором репозитория и обученная на наборах nemotron_easy_data_querying и nemotron_medium_data_querying. Она предназначена для генерации текста в сценариях запросов к данным; карточка не раскрывает конкретные форматы запросов или результаты оценки. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Метаданные указывают контекст длиной до 40 960 токенов и библиотеку Transformers. Языковые возможности соответствуют базовой многоязычной модели Qwen3-8B, но отдельные языки для этой версии не перечислены. Указана лицензия other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория и базовой модели.

Think2SQL-4B — дообученная модель Qwen3-4B от автора репозитория anonymous-2321 для преобразования вопросов на естественном языке в SQL-запросы. Она рассчитана на сценарии, где модели передают вопрос пользователя, дополнительные сведения и схему базы данных. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors; контекст — до 40 960 токенов. Для обучения применялись датасет BIRD и методы обучения с проверяемыми наградами за результат выполнения SQL. В карточке заявлена конкурентоспособность рассуждений при ограниченных вычислительных ресурсах. Для работы рекомендуется использовать системный и пользовательский промпты автора. Модель обучалась с отключённым режимом рассуждений; качество за пределами задачи Text-to-SQL и датасета BIRD отдельно не подтверждено. Лицензия в предоставленных данных не указана.

VARCO-VISION-14B — мультимодальная модель NC Research, разработанная командой Multimodal Generation Team. Это англо-корейская модель для работы с изображениями и текстом, построенная по архитектуре LLaVA-OneVision на основе Qwen/Qwen2.5-14B-Instruct и визуального энкодера google/siglip-so400m-patch14-384. Модель содержит 14 млрд параметров, принимает одно изображение вместе с текстовым запросом и генерирует текстовый ответ. Контекст — до 32 768 токенов. Модель предназначена для диалога по изображениям, распознавания текста на изображениях (OCR), локализации объектов и ответов на вопросы об объектах с учётом их расположения. Для задач grounding и referring можно задавать специальные маркеры, связанные с объектами и ограничивающими рамками. README сообщает о четырёх этапах обучения: предварительном выравнивании признаков, базовом и расширенном supervised fine-tuning и оптимизации предпочтений. Модель поддерживает английский и корейский языки. README указывает, что версия 2.0 выпущена и рекомендует использовать её вместо этой версии; демо больше недоступно. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Разработчики обозначают модель как предназначенную для исследований.

VEJI-V2 — компактная модель типизированного выбора кандидата и принятия структурированных решений, опубликованная racore. Это не генеративная языковая модель: она получает контекст, вопрос или инструкцию и список вариантов, совместно оценивает варианты и возвращает лучший ответ, вероятности, оценку уверенности и фрагменты контекста, использованные для решения. Модель использует замороженный многоязычный энкодер paraphrase-multilingual-MiniLM-L12-v2, маршрутизацию свидетельств, рекуррентное уточнение с GRUCell и признаки точного совпадения, чисел, отрицаний и токенов кода. Обучаемая часть содержит около 3,28 млн параметров без учёта энкодера. Модель предназначена для классификации, маршрутизации запросов, извлечения ответа из заданных вариантов, проверок политик, семантического сопоставления, анализа кода и многошаговых вопросов по контексту. В README заявлена обработка контекста до 250 000 символов с повторным использованием закодированного состояния; тестовая точность составила 82,95% на выборке из 522 вопросов. Указаны английский и арабский языки, формат PyTorch и лицензия MIT. Ответ ограничен предоставленными вариантами, поэтому качество зависит от их полноты и формулировок. Оценка основана на небольшой выборке; в ней слабы ранжирование, планирование, временной порядок, некоторые числовые проверки и предсказание точного вывода кода. Начальная компиляция длинного контекста может быть затратной, а полный тест на длинном контексте не завершился.

nguyenvulebinh/wav2vec2-bartpho — модель распознавания вьетнамской речи, разработанная пользователем nguyenvulebinh на Hugging Face. Это последовательная архитектура speech-encoder-decoder: аудио подаётся на вход, а модель выдаёт текст. Карточка указывает поддержку нормализации распознанного текста, временных меток и сегментации речи нескольких говорящих. Модель предназначена для автоматической транскрибации вьетнамской речи, в том числе с разметкой времени и разделением реплик по говорящим. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель boumehdi/wav2vec2-large-xlsr-moroccan-darija — акустическая модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная разработчиком на размеченных аудиозаписях марокканской дариджи. В карточке указано, что обучение проводилось на 57 часах аудио из корпуса MDVC; разработчик постепенно добавлял данные, чтобы унифицировать запись дариджи. Модель предназначена для преобразования речи на марокканской даридже в текст. Она использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио. Репозиторий опубликован в формате PyTorch. Точность может зависеть от вариаций произношения и принятого способа записи дариджи: разработчик отмечает, что продолжает дообучение и стандартизацию текстовых транскрипций. Лицензия — Apache-2.0.

xlm-roberta-longformer-large-16384 — многоязычная модель с архитектурой Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия large содержит 658,7 млн параметров, 24 слоя и скрытый размер 1024; механизм внимания рассчитан на обработку последовательностей длиной до 16 384 токенов. Модель предназначена для извлечения признаков из длинных текстов и последующего дообучения под прикладную задачу. Её можно использовать как основу для классификации, поиска и других задач понимания текста, требующих контекста длиннее стандартного окна трансформера. Поддерживается широкий набор языков, в частности английский и другие европейские, азиатские и африканские языки; полный перечень языковых тегов включает 50 языков. Репозиторий содержит формат TensorFlow. Лицензия — MIT. Карточка не сообщает результатов оценки качества и не описывает готовые прикладные сценарии: модель следует дообучить для конкретной задачи. Большое окно контекста позволяет учитывать протяжённый текст, но само по себе не гарантирует качество на конкретном языке или задаче.

Zilo Instruct v2 SFT Filtered — дообученная Arcee AI модель на архитектуре Mistral для генерации текста по инструкциям и диалоговых ответов. Она обучена на наборе arcee-ai/Zilo-Filtered-SQL-Instruct-v2; в карточке указана оценка loss 0,5474 на наборе для оценки. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. Датасет обучения указывает на специализацию на инструкциях, связанных с SQL, однако карточка не описывает конкретные возможности, качество на SQL-задачах или поддерживаемые естественные языки. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о дополнительных ограничениях или рисках в карточке нет.

ALBERT Base v1 — англоязычная модель Albert AI, опубликованная командой Google Research и представленная в исследовательской работе об ALBERT. Это трансформерный энкодер, предварительно обученный на BookCorpus и англоязычной Википедии с помощью предсказания замаскированных токенов и порядка предложений. Основное применение — восстановление пропущенных слов в тексте; модель также можно дообучать для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Архитектура использует 12 повторно применяемых слоёв с общими весами, 12 голов внимания, размерность скрытого состояния 768 и размерность эмбеддингов 128. Метаданные указывают 136,3 млн параметров; в README приведена оценка 11 млн, поэтому размер параметров в источниках расходится. Модель регистронезависима, использует SentencePiece с размером словаря 30 000 и принимает последовательности до 512 токенов. Доступны веса PyTorch, safetensors и TensorFlow. Модель компактнее по памяти благодаря разделению весов между слоями, но повторное применение слоёв сохраняет вычислительную нагрузку. Для специализированных задач её обычно дообучают; версия v1 уступает v2 на большинстве указанных в README downstream-бенчмарков. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Aurelian v0.5 — экспериментальная инструктивная языковая модель от grimulkan, дообученная на базе Llama 2 70B LongLoRA с FP16 и масштабированием RoPE для длинного контекста. Это промежуточная версия до v1.0, построенная на Llama 2 без базовой настройки на выполнение инструкций; для диалогов использует формат Llama 2 chat и предназначена для instruct-режима. Модель ориентирована на творческое письмо и ролевые диалоги, в том числе длинные сценарии, а также может выполнять задачи редактирования, суммаризации, извлечения информации и рассуждений. В README заявлена поддержка контекста до 32K токенов при Linear RoPE Scaling = 8. В метаданных указана архитектура LlamaForCausalLM, 68,7 млрд параметров и нативный контекст 4096 токенов. Обучающая смесь включает человеческие истории, синтетические инструкции и диалоги, задачи на чтение и рассуждение. Модель не цензурирована и может генерировать оскорбительный и сексуальный контент. Лицензия в метаданных указана как неизвестная, поэтому условия распространения и использования следует уточнить у автора.

iiLEX/autotrein-BERT-iiLEX-dgs-0001 — модель классификации текстов, созданная с помощью AutoTrain. Она дообучена на базе ulisesbravo/autotrain-pt-l1sfd-nom8j, которую каталог описывает как BERTimbau для классификации текстов на португальском языке. Модель использует архитектуру BERT с головой BertForSequenceClassification, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для отнесения текста к одному из классов; конкретная тематика и названия классов в карточке не приведены. На валидации указаны accuracy 0,701, micro-F1 0,701 и macro-F1 0,517, поэтому качество может заметно различаться между классами. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Bangla BERT Base — предварительно обученная языковая модель для бенгальского языка, разработанная Сагором Саркером. Это плотная модель архитектуры BERT с примерно 191,6 млн параметров, обученная предсказывать замаскированные токены в текстах; контекст — до 512 токенов. Для токенизации используется SentencePiece-словарь размером 102 025 токенов. Модель предназначена прежде всего для заполнения пропусков в бенгальском тексте и может служить основой для дообучения задач классификации, анализа тональности, выявления языка вражды, тематической классификации новостей и распознавания именованных сущностей. В README приведены результаты на бенгальских классификационных наборах и Wikiann, но они не гарантируют качество на других данных. Модель работает с текстом и выдаёт вероятности токенов для заполнения маски. Она обучалась на бенгальских данных OSCAR/Common Crawl и Wikipedia и распространяется по лицензии MIT. Поддерживаются веса в форматах PyTorch, TensorFlow и Flax.

Banglish Embed MiniLM Small — модель эмбеддингов для поиска семантически соответствующих предложений на бенгальском письме и романизированном бенгальском (Banglish). Она дообучена автором sifat-febo на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и предназначена для двустороннего поиска совпадений между двумя письменностями, включая сценарии с переключением между ними. Модель построена на архитектуре BERT и содержит 124,3 млн параметров. Она принимает текст и формирует эмбеддинги для семантического сравнения; заявленная длина контекста — 112 токенов. По README, модель занимает около 0,47 ГБ и рассчитана на работу на CPU без подключения к интернету после установки. В описанном тесте на 2000 парах она находила соответствие примерно в 98,6–98,8% случаев. Модель подходит для поиска бенгальских фраз по Banglish-запросам и наоборот, но её назначение ограничено сопоставлением семантически сходных предложений: она не предназначена для суммаризации, ответов на вопросы или произвольного ранжирования. Текст длиннее примерно 70 слов обрезается. Лицензия — Apache-2.0.

KLUE BERT base — предварительно обученная трансформерная языковая модель семейства BERT для корейского языка, разработанная в рамках проекта Korean Language Understanding Evaluation (KLUE). Это плотная модель с архитектурой BertForMaskedLM, содержащая 137,8 млн параметров и обрабатывающая последовательности длиной до 512 токенов. Основной сценарий по метаданным — заполнение пропусков в тексте; после дообучения модель также может применяться для классификации тем, оценки семантического сходства, вывода на естественном языке и распознавания именованных сущностей. Для токенизации используется словарь из 32 тысяч единиц, построенный с морфемной сегментацией и BPE. Модель обучена на разнообразных корейских корпусах, включая новости, веб-тексты, энциклопедические материалы и диалоги, и оценивалась на задачах бенчмарка KLUE. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC-BY-SA-4.0. Качество и фактическая точность не гарантируются: модель может отражать смещения и проблемы конфиденциальности, связанные с обучающими данными. Для задач классификации, NER и других сценариев, кроме заполнения пропусков, обычно требуется соответствующая задача-ориентированная голова или дообучение.

Модель fabriceyhc/bert-base-uncased-ag_news — версия BERT base uncased, дообученная для классификации новостных текстов на наборе AG News. Она принимает текст и относит его к одному из классов новостей; модель предназначена для категоризации новостных статей и сообщений. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README указаны точность 0,9375 и loss 0,3284 на оценочной выборке. Модель работает с текстом на английском языке, что следует из uncased-варианта базового BERT и англоязычного набора AG News. Вес опубликован в формате PyTorch по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других типах текстов и в других предметных областях этими данными не подтверждено.

Модель SetFit, разработанная на основе desarrolloasesoreslocales/bert-leg-al-corpus, предназначена для классификации текстов. Она использует дообученный контрастивным обучением Sentence Transformer и классификационную голову LogisticRegression; обучение выполнено в режиме few-shot. Модель распределяет входные тексты по 21 классу, связанному с обращениями и административными материалами на испанском языке. Модель основана на архитектуре RoBERTa, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов (в метаданных контекст указан как 514 токенов). Для текстовой классификации в README указана точность 0,9127. Репозиторий использует формат safetensors и библиотеку SetFit. Лицензия в предоставленных данных не указана.