I.3Извлечение и структурирование данных

MemOCR-7B — мультимодальная модель Meituan для визуальных вопросов и ответов с механизмом визуальной памяти. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и контекстом 128 000 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для работы в составе фреймворка MemOCR: текстовый компонент формирует и уточняет содержимое памяти с учётом заданного бюджета, а зрительный компонент анализирует её визуальное представление. Такой подход рассчитан на ответы на сложные многошаговые вопросы и поиск сведений в подготовленной памяти; в карточке приведены результаты на HotpotQA, 2WikiMultihopQA, NaturalQuestions и TriviaQA. Модель принимает изображения и текстовые вопросы и выдаёт текстовые ответы. Карточка указывает английский язык. Для использования необходим фреймворк MemOCR; результаты зависят от подготовки визуальной памяти и ограничения её бюджета. Количественные результаты и подробные инструкции по запуску в карточке не приведены.

MemReader-4B-thinking — языковая модель IAAR-Shanghai для управления долговременной памятью агентов, созданная на базе Qwen/Qwen3-4B и дообученная с помощью supervised fine-tuning и GRPO. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров и контекстом 40 960 токенов. Модель анализирует поступившую информацию и выбирает действие: добавить её в память, найти исторические сведения для уточнения, временно сохранить неполные данные или проигнорировать малозначимый и повторяющийся текст. Она предназначена для извлечения и обновления памяти в долгих диалогах, персональных помощниках и агентных системах; поддерживает сценарии с вызовом инструментов. Модель ориентирована на английский и китайский языки. В README описаны результаты оценивания на LOCOMO, LongMemEval и HaluMem, включая задачи разрешения неоднозначности, обновления знаний и временных рассуждений. Модель оптимизирована для управления памятью, а не для универсального диалога; качество зависит от схемы памяти, поиска и исполнения инструментов, а ответы могут содержать ошибки или пропуски. Распространяется по лицензии Apache-2.0.

MiniCPM-V-4.6-GPTQ-INT4-C256-P6K-CTX8K — пакет развёртывания MiniCPM-V-4.6 от AXERA-TECH для ускорителя AX650 / NPU3. Он основан на openbmb/MiniCPM-V-4.6-GPTQ и использует GPTQ INT4; текстовый и визуальный компоненты подготовлены для запуска через axllm на указанной платформе. Лицензия пакета — Apache-2.0. Модель предназначена для диалога по тексту, понимания изображений и видео, включая последующие текстовые вопросы о ранее переданном видео. Визуальный энкодер принимает изображения фиксированного размера 448×448 и сжимает визуальные данные до 64 soft tokens. Профиль контекста задаёт KV-кэш длиной до 8191 токена и предобработку блоками по 256 токенов; в README приведена проверка извлечения фактов из длинного диалога примерно на 6,3 тыс. входных токенов. Пакет оптимизирован под AX650 / NPU3, поэтому применимость и приведённые показатели производительности относятся к этой платформе и runtime axllm. Метаданные указывают поддержку китайского и английского языков. README описывает проверки и характеристики конкретной сборки, но не даёт оснований переносить их на другие устройства или варианты MiniCPM-V.

Модель Rafael0301/modelo_qa_beto_docstride_pdqa разработана Эмилем Паулино и Рафаэлем Рамиресом для Dominican News Question Answering Challenge. Это дообученная для извлечения ответов модель BETO на архитектуре BERT: она получает вопрос и новостной контекст на испанском языке и находит в нём фрагмент с ответом. Модель содержит 137,1 млн параметров и рассчитана на контекст до 512 токенов; для длинных контекстов при обучении применялся DocStride. Модель дообучалась на наборе PDQA: 45 примерах для обучения и 15 для валидации; итоговые показатели на валидации составили 73,33 Exact Match и 80,15 F1. Она подходит для извлечения фактов из доминиканских новостей, когда ответ явно присутствует в предоставленном тексте. Лицензия в доступных данных не указана.

Mursit-Large — турецкоязычная модель masked language modeling, разработанная NewMind AI и представленная в работе Mecellem Models. Она обучена с нуля на корпусе примерно из 112,7 млрд токенов, включающем преимущественно турецкие тексты из юридической области и общего веба. Модель использует плотную архитектуру ModernBERT-large с 403,6 млн параметров и контекстом до 2048 токенов; для турецкого языка создан специализированный токенизатор. Модель предсказывает замаскированные токены и извлекает контекстуальные признаки для последующих задач. Её можно применять для турецкой классификации текстов, распознавания сущностей и ответов на вопросы, а также как основу для эмбеддингов и поиска по юридическим документам. В README отмечено, что предварительное обучение само по себе даёт ограниченную пользу для retrieval без дополнительной настройки под эмбеддинги. Доступны веса PyTorch, Safetensors и ONNX; лицензия — Apache-2.0.

OmniAlign — многоязычная модель выравнивания последовательностей от WPS-Qingqiu. Это энкодер Transformer архитектуры GTE/NEW на 305,3 млн параметров, дообученный на базе Alibaba-NLP/gte-multilingual-mlm-base. Модель предназначена для выравнивания предложений и слов в параллельных текстах на разных языках. Для выравнивания слов модель использует контекстные векторные представления токенов, а для выравнивания предложений кодирует тексты в общее векторное пространство. Обучение включало четыре этапа: предварительное обучение, обучение без учителя, обучение с учителем и дистилляцию. Поддерживается контекст до 8192 токенов; модель рассчитана, в частности, на пары китайский–английский, английский–испанский, итальянский, немецкий, французский и русский, а также немецкий–французский. Репозиторий содержит веса и конфигурации; для выполнения выравнивания нужны код и скрипты из связанного GitHub-репозитория. Модель распространяется по лицензии Apache-2.0.

PIXIE-Spell-Preview-0.6B — модель эмбеддингов компании TelePIX Co., Ltd., построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов на корейском и английском языках, с особым акцентом на аэрокосмическую тематику; также подходит для поиска по документам, технических вопросов и открытых коллекций. Модель содержит 507,9 млн параметров и выдаёт векторы размерностью 1024, которые нормализуются для сравнения косинусным сходством. В README указана максимальная длина последовательности 8192 токена, а метаданные каталога указывают контекст до 40960 токенов. Веса доступны в формате safetensors, лицензия — Apache 2.0. Модель обучалась и оценивалась для задач поиска на корейских и англоязычных бенчмарках; результаты README не гарантируют аналогичного качества на конкретных данных, поэтому качество следует проверять на целевой коллекции. Модель выдаёт эмбеддинги, а не готовые ответы или ранжированный список без отдельной системы поиска.

shaunss/protestclaims_gbert — дообученная авторами модели BERT-модель для получения эмбеддингов немецких предложений и абзацев о протестах и требованиях протестующих. Она основана на deutsche-telekom/gbert-large-paraphrase-cosine и преобразует текст в плотные векторы размерностью 1024; модель имеет 434,5 млн параметров и контекст до 512 токенов. Модель обучена на вручную размеченных предложениях из немецких газет с помощью BatchSemiHardTripletLoss. Её можно использовать для семантического поиска и кластеризации материалов о протестах, а также для вычисления сходства между предложениями. Лицензия — MIT. Подробности применения описаны в работе о конвейере автоматизации анализа протестных событий PAPEA.

Qwen2.5-Coder-7B-SkyRL-SQL — языковая модель на архитектуре Qwen2, дообученная авторами репозитория lecunyin на базе Qwen/Qwen2.5-Coder-7B-Instruct методом GRPO по рецепту SkyRL-SQL. Модель содержит 7,1 млрд параметров, распространяется в формате Safetensors и имеет контекст до 32 768 токенов. Она предназначена для многошагового Text-to-SQL: получает схему базы данных и вопрос, выполняет исследовательские запросы к SQLite, учитывает результаты или ошибки и формирует итоговый SQL-ответ. В README сообщается о точности выполнения 69,8% pass@1 на отложенной выборке Spider после обучения; модель обучалась на 653 примерах и ожидает специальный формат взаимодействия SkyRL-SQL. Модель выпущена под лицензией Apache-2.0. Результаты и обучающие данные указывают на ограниченную область настройки; качество на других базах, диалектах SQL и форматах запросов отдельно не подтверждено.

Qwen2-VL-72B-Instruct-GGUF — это квантизированная GGUF-версия мультимодальной модели Qwen2-VL-72B-Instruct, разработанной командой Qwen компании Alibaba под брендом Tongyi Qianwen и подготовленной пользователем bartowski. Модель предназначена для сценариев image-text-to-text: анализа изображений и формирования текстовых ответов по пользовательским запросам. В README явно указан английский язык; сведения о поддерживаемых языках помимо него отсутствуют. Модель содержит 72 млрд параметров и работает с изображениями совместно с текстом. Для локального запуска используется llama.cpp; помимо файла модели требуется соответствующий мультимодальный проектор mmproj, а для обработки изображений — специализированный бинарный файл llama-qwen2vl-cli. Доступны варианты квантизации от Q8_0 до Q2_K_L и IQ-серий размером примерно от 31 до 77 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше памяти; наиболее сбалансированным вариантом README называет Q4_K_M. Сильными сторонами являются мультимодальность, крупный размер базовой модели, широкий выбор уровней квантизации и возможность локального запуска через llama.cpp. Ограничениями выступают высокие требования к дисковому пространству и памяти, а также необходимость использовать совместимые компоненты llama.cpp и мультимодальный проектор. Модель распространяется по лицензии, обозначенной как other с названием tongyi-qianwen; перед использованием следует ознакомиться с условиями исходной лицензии Qwen2-VL-72B-Instruct.

Модель разработана Giovannimaffeo для автоматической генерации юридических дескрипторов по судебным документам на португальском языке. Это дообученная плотная текстовая модель Qwen3.5 с архитектурой Qwen3_5ForCausalLM и 581,4 млн параметров; в карточке указано контекстное окно 262 144 токена. Модель предназначена для обработки португальских судебных документов и создания их тематических юридических описаний. Модель основана на unsloth/Qwen3.5-0.8B и обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation; LoRA-адаптер объединён с базовой моделью. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

Shiftedx/qwen3.8-27b-aeon-ultimate-uncensored-mxfp8-vision-mtplx — экспериментальная независимая конверсия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 в формат MLX, созданная сообществом, а не официальными разработчиками AEON-7 или Qwen. Модель предназначена для генерации текста и задач image-to-text, включая описание изображений, и ориентирована на запуск в экосистеме MLX и mlx-vlm. Для использования требуется локальный инференс; README также указывает поддержку speculative decoding через MTPLX и multi-token prediction. Модель имеет плотную архитектуру семейства Qwen3.5 с гибридным attention/GDN, 64 языковых слоя и заявленный контекст до 262 144 токенов. Языковые веса квантизированы в MXFP8 с 8-битными группами размера 32, а 333 исходных BF16-тензора визуальной части сохранены; размер индексированного артефакта составляет 27,50 ГиБ. В пакет включены 15 BF16-тензоров MTP, а локально выбранная глубина D3 показала 24,36 токена в секунду и ускорение 1,540 раза относительно авторегрессионного декодирования, однако фактическая производительность зависит от оборудования, запроса, контекста и версии MTPLX. К сильным сторонам относятся поддержка изображений, большой заявленный контекст, снижение требований к памяти благодаря MXFP8 и возможность ускоренного декодирования. Ограничения включают экспериментальный статус, необходимость локальной проверки загрузки и производительности, а также отсутствие исчерпывающей квалификации работы на полном контексте. Модель является abliterated и намеренно не обладает стандартным выравниванием безопасности; разработчики предупреждают о возможной генерации небезопасных или незаконных материалов, поэтому необходимы контроль доступа, журналирование, модерация и проверка человеком. Лицензия указана как Apache-2.0; при этом ответственность за соблюдение законодательства и безопасность применения возлагается на операторов модели.

FiditeNemini публикует 3-битную версию Qwen3-VL-235B-A22B-Instruct-Abliterated — мультимодальной модели семейства Qwen3-VL MoE для диалогов с изображениями и текстом. Архитектура — Qwen3VLMoeForConditionalGeneration; контекст составляет 262 144 токена. Репозиторий содержит веса Safetensors и предназначен для работы с библиотекой MLX. Модель принимает текст и изображения и выдаёт текст; в каталоге также отмечены чат и интерфейс вызова инструментов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для вопросов об изображениях, визуального диалога и текстового разбора содержимого изображений. Это производная от Qwen/Qwen3-VL-235B-A22B-Instruct модель; автор карточки называет её Abliterated. README указывает 3-битное представление с размером группы 64, хотя поле Quantization в карточке сформулировано противоречиво («None (3-bit, group size 64)»), поэтому способ получения этой версии нельзя уточнить увереннее. Качество, ограничения и поведение Abliterated-варианта в README не описаны.

Qwen3-VL-2B-Instruct-abliterated-v1-GGUF — мультимодальная vision-language модель, разработанная prithivMLmods на основе Qwen3-VL-2B-Instruct от Alibaba. Это GGUF-версия модели с примерно 2 млрд параметров, предназначенная для локального запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы; в карточке указана поддержка преимущественно английского языка, а также возможность мультиязычного использования через настройку промптов. Модель ориентирована на описание изображений, визуальный анализ, мультимодальное рассуждение, работу с различными соотношениями сторон, разрешениями и сложными макетами. Она может формировать как краткие сводки, так и подробные пошаговые описания, а также применяться в исследовательских, творческих, технических и red-teaming-сценариях. Доступно множество вариантов квантования GGUF размером примерно от 516 МБ до 3,45 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ключевая особенность — abliteration, модификация, направленная на удаление отказов в ответах и контентных фильтров базовой модели. Это расширяет возможности анализа чувствительного или сложного визуального контента, но одновременно снижает встроенные механизмы безопасности и требует самостоятельного контроля за результатами. В README не указаны размер контекстного окна, результаты бенчмарков, аппаратные требования и подробные ограничения качества. Модель распространяется по лицензии Apache-2.0.

DevQuasar-6/Qwen.Qwen2.5-VL-3B-Instruct-GGUF — квантованная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, опубликованная DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов по визуальному и текстовому вводу. В основе лежит Qwen2.5-VL с заявленным размером 3B параметров. README подтверждает поддержку обработки изображений и текста, однако не указывает конкретные языки, размер контекстного окна, формат или уровень квантования. Для работы требуется backend из ветки qwen25-vl репозитория HimariO/llama.cpp.qwen2vl с поддержкой Qwen2.5-VL. К сильным сторонам относятся мультимодальность и возможность запуска квантованной версии через совместимый backend, что потенциально снижает требования к ресурсам по сравнению с полной моделью. Ограничения связаны с необходимостью использовать специальный backend и отсутствием в README сведений о точных характеристиках квантования, производительности, лицензии и поддерживаемых языках. Условия лицензирования в предоставленных данных не указаны.

sante-embed — медицинская модель текстовых эмбеддингов на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, адаптированная разработчиком Singaraj для поиска по медицинским текстам на девяти языках. Она содержит 1,5 млрд параметров, использует архитектуру Qwen2 и формирует векторы размерности 1536 с нормализацией L2; сходство текстов предполагается оценивать по косинусной мере. Для запросов используется инструкция в формате «Instruct: … Query: …», а документы кодируются без префикса. Модель предназначена для семантического поиска, извлечения релевантных документов и кластеризации медицинских текстов, включая FAQ и многоязычные медицинские коллекции. Метаданные указывают контекст до 131 072 токенов, однако карточка модели задаёт максимум входа 512 токенов и сообщает, что более длинный текст обрезается. Модель не предназначена для клинической поддержки принятия решений и её результаты не следует использовать для ведения пациентов. Лицензия — Apache-2.0.

SkillScout Large — плотный bi-encoder TalentGuide для поиска навыков ESCO по названию профессии. Модель разработана для Stage 1 двухэтапного сопоставления профессий и навыков в задаче TalentCLEF 2026 Task B; она кодирует название профессии и описания навыков в эмбеддинги и ранжирует 9 052 навыка по косинусному сходству. Модель основана на jjzha/esco-xlm-roberta-large: архитектура XLM-RoBERTa-large с mean pooling, 658,7 млн параметров и эмбеддингами размерности 1024. Для кодирования и поиска используются sentence-transformers; максимальная длина входа в README указана как 64 токена. Модель обучена на англоязычных данных ESCO и оптимизирована для этой таксономии. Для более точного различения основных и контекстных навыков README рекомендует добавить cross-encoder-реранкер; на проверочной выборке сочетание с ним показало более высокий nDCG@10, чем bi-encoder отдельно. Модель подходит для подбора навыков к названиям вакансий и построения поиска по каталогу ESCO. Лицензия — Apache-2.0.

SpaceTimeGPT — модель генерации описаний видео, построенная на архитектуре vision-encoder-decoder. Визуальный энкодер TimeSformer, предварительно обученный на классификации видео Kinetics-600, анализирует восемь кадров, выбранных из входного видео; декодер GPT-2 авторегрессионно формирует описание на естественном языке. Компоненты объединены перекрёстным вниманием и дообучены сквозным образом для создания видеоподписей. Модель предназначена для автоматического описания событий в видео с учётом пространственной и временной информации. В карточке указан набор данных VATEX и английский язык. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не приведена.

TimKond/S-PubMedBert-MedQuAD — модель эмбеддингов на архитектуре BERT, представленная как Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Название указывает на ориентацию на биомедицинские публикации PubMed и набор вопросов и ответов MedQuAD; это делает модель подходящей для поиска смыслово близких медицинских текстов и вопросов. В карточке описано обучение с SoftmaxLoss для двух меток. Доступны веса PyTorch и Safetensors; лицензия — MIT. Модель выдаёт векторные представления текста, а не готовые ответы на вопросы или медицинские заключения. Качество на конкретных корпусах и языках следует проверять отдельно; сведения README не подтверждают поддержку русского языка.

Карточка модели anassaifi12/sql_model_2 на Hugging Face совпадает с карточкой anassaifi12/qwen2.5-3b_sql_trained_model, поэтому описание составлено по ней. anassaifi12 дообучил модель Qwen2.5-3B для генерации текста на базе unsloth/qwen2.5-3b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Название репозитория указывает на обучение для работы с SQL, однако README не описывает обучающие данные и конкретные возможности модели, поэтому качество генерации SQL по карточке оценить нельзя. Модель принимает и выдаёт текст; в метаданных указан английский язык. Распространяется по лицензии Apache-2.0.

thomaskim1130/stella_en_1.5B_v5-FinanceRAG — англоязычная Sentence Transformer-модель, дообученная разработчиком thomaskim1130 на базе NovaSearch/stella_en_1.5B_v5 для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель основана на архитектуре Qwen2, содержит 1,5 млрд параметров и рассчитана на контекст до 131 072 токенов по метаданным. В описании Sentence Transformers для этой версии указана максимальная длина последовательности 512 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. Название указывает на применение в Finance RAG, однако README не описывает конкретные финансовые данные или сценарии. Доступна в формате safetensors; для использования подходят библиотека Sentence Transformers и инфраструктура text-embeddings-inference. Результаты приведённой оценки информационного поиска низкие, поэтому качество для целевых данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

TableMind — языковая модель Qwen2.5-1.5B-Instruct, дообученная Samandar1105 методом QLoRA на 6 956 примерах из WikiTableQuestions для ответов на вопросы по таблицам. Она принимает вопрос и содержимое таблицы или документа, предоставленные при запросе, и формирует ответ, опираясь на эти данные. Предназначена для использования с поисковым слоем RAG, который находит и передаёт нужные материалы; модель сама не содержит знаний о пользовательских таблицах. Модель имеет плотную архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов. В карточке указана поддержка английского языка и лицензия Apache-2.0. Для числовой точности на больших таблицах рекомендуется связка с выполнением кода и RAG; модель не предназначена для ответов на общие вопросы, не связанные с переданной таблицей.

Thyme-RL — мультимодальная модель Kwai-Keye, дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct с помощью обучения с подкреплением. Она предназначена для анализа изображений высокого разрешения и решения сложных задач визуального восприятия и рассуждения. Модель может автономно генерировать и выполнять код для обработки изображений и вычислений; обучение сочетает supervised fine-tuning и reinforcement learning с алгоритмом GRPO-ATS. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые инструкции, выдавая текстовые ответы. Контекст — до 128 000 токенов. В карточке указана лицензия MIT. Модель ориентирована на английский язык; качество на других языках не подтверждено.

Uni-MuMER-Qwen3-VL-2B — модель phxember, дообученная на базе Qwen/Qwen3-VL-2B-Instruct для распознавания рукописных математических выражений. Она принимает изображение с формулой и преобразует его в LaTeX. Архитектура Qwen3-VL объединяет визуальный энкодер ViT и языковую модель; размер модели — 2,1 млрд параметров. Дообучение Uni-MuMER объединяет основную задачу распознавания с тремя вспомогательными задачами: Tree-CoT, обучением на основе ошибок и подсчётом символов. В README приведены результаты на наборах CROHME 2014, 2016 и 2019: точное совпадение составило 83,27%, 78,55% и 79,40% соответственно. Модель рассчитана на обработку изображений рукописных формул и генерацию их текстового представления в LaTeX. Модель распространяется под лицензией Apache-2.0. Для запуска README описывает использование Transformers и vLLM; в примере для vLLM указан предел длины контекста 2048 токенов. Результаты опубликованы для ограниченного набора тестов CROHME и не гарантируют такую же точность на других типах почерка, изображениях или формулах.

Video-ORA-4B — мультимодальная модель OraRL для унифицированного понимания видео и изображений. Она построена на Qwen3.5-4B и дообучена методом OraRL (Annotations as Rollouts); архитектура — Qwen3_5ForConditionalGeneration, тип — dense, размер — 4 млрд параметров. Веса представлены в формате safetensors и BF16, лицензия — Apache-2.0. Модель предназначена для структурированного восприятия изображений и видео: временной привязки событий, визуального трекинга, сегментации изображений и видео, пространственной привязки, пространственно-временной локализации, ответов на вопросы по видео и пространственных рассуждений. Она принимает текстовые запросы и визуальные данные, включая видео, и выдаёт прямые ответы в форматах, заданных задачей, без декодирования цепочки рассуждений. Для запуска описаны варианты на vLLM и Transformers; README указывает параметр контекста 262144 токена для приведённой конфигурации vLLM. Модель рассчитана на исследования структурированного понимания изображений и видео, оценку на бенчмарках и адаптацию под конкретные задачи. Возможны некорректные структурированные ответы и галлюцинации визуальных деталей; качество и ограничения также зависят от базовой модели и обучающих данных. Модель не проверена для критически важных решений и высокорисковых сценариев; разработчик отдельно исключает применение для выводов об идентичности и развёртывания видеонаблюдения. Лицензия модели — Apache-2.0, а права и условия использования обучающих медиаданных определяются исходными лицензиями.

Модель kpriyanshu256/whisper-medium-as-200-32-1e-05-bn — дообученная версия Whisper medium от OpenAI для автоматического распознавания речи. Она содержит 455,8 млн параметров и предназначена для преобразования аудио в текст; при дообучении использован Common Voice 11.0. Карточка приводит результат на оценочной выборке: WER 59,3214 и loss 1,1192. Модель принимает аудио и выдаёт текст. По названию карточки она связана с ассамским языком, однако README не подтверждает языковую область обучения, поэтому это назначение следует считать предположительным. Базовая Whisper medium — мультиязычная модель для распознавания и перевода речи, но для этой производной подтверждена только задача распознавания. Лицензия — Apache-2.0.

seastar105/whisper-medium-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная автором seastar105. Она предназначена для транскрибации корейской речи, в том числе телефонных разговоров, совещаний, адресов и разговорной речи из теле- и радиопередач. Архитектура — WhisperForConditionalGeneration, модель содержит 455,8 млн параметров и принимает аудио, выдавая текст; веса доступны в форматах Flax и Safetensors. Автор сообщает, что на используемом им тестовом наборе среднее качество превосходит Whisper Large v3. В README приведены результаты сравнений на нескольких корейских наборах, однако таблица представлена не полностью, а совещания исключены из описанной оценки. Это утверждение не следует считать гарантией качества на других данных. Лицензия в предоставленных сведениях не указана.

xGen-MM-instruct-singleimg-r-v1.5 — мультимодальная модель Salesforce AI Research для диалога по одному изображению. Семейство xGen-MM развивает архитектурные решения BLIP и обучалось на больших наборах подписей к изображениям и чередующихся данных изображение–текст. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; она предназначена для описания изображений, визуальных вопросов и ответов, а также задач, связанных с пониманием текста на изображении. В README приведены результаты оценки на наборах для визуальных вопросов и ответов, понимания сцен, научных и математических задач и TextVQA. Карточка не сообщает размер модели и длину контекста. Модель выпущена для исследовательских целей; Salesforce рекомендует проверять точность, безопасность и справедливость перед применением. Среди ограничений — возможные ошибки и смещения, унаследованные от интернет-данных, языковых моделей и коммерческих API. Лицензия — Apache-2.0.

Zero-shot Vanilla GPT2 — модифицированная модель на базе GPT-2, представленная Кристофером Кларком, Юзао Хэном, Ипином Каном, Криштианом Флаутнером, Линцзя Тан и Джейсоном Марсом в статье на Findings of ACL 2023. Модель предназначена для классификации текста без примеров целевых классов: она обучена в рамках генеративного подхода к классификации с использованием aspect-normalized набора данных UTCD. Модель дообучена на GPT-2 Medium и использует архитектуру GPT-2 с плотными слоями. Она принимает текст и генерирует текст; в метаданных указана длина контекста 1024 токена и библиотека zeroshot_classifier. Репозиторий содержит веса PyTorch. Модель выпущена под лицензией MIT.

A3-Qwen3.5-9B — мультимодальная модель на 9 млрд параметров, разработанная Xing Han Lù и Siva Reddy и дообученная методом SFT на базе Qwen/Qwen3.5-9B. Она предназначена для работы веб-агентом: понимает запросы и изображения, помогает выполнять задачи на веб-сайтах и взаимодействовать с веб-интерфейсами. Для обучения использован синтетический набор A3-Synth из 16 тысяч примеров, созданных по траекториям Gemini 3 Pro. В оценке WebArena модель показала 41,5% по протоколу авторов. Модель доступна в формате safetensors и рассчитана на запуск через Transformers или vLLM; README приводит ограничение контекста до 65 536 токенов для примера запуска. Лицензия в предоставленных данных не указана.