I.3Извлечение и структурирование данных

Holo1.5-3B — мультимодальная модель H Company для компьютерных агентов, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она принимает изображения интерфейсов и текстовые запросы, чтобы находить элементы на экране, отвечать на вопросы о содержимом веб-, настольных и мобильных приложений и поддерживать автоматизацию действий в них. Модель относится к семейству Qwen2.5-VL, имеет 3,1 млрд параметров и контекст до 128 000 токенов. По данным карточки, она обрабатывает изображения с разрешением до 3840 × 2160 пикселей; обучение включало supervised fine-tuning и онлайн-обучение с подкреплением. Разработчик сообщает о результатах на тестах локализации элементов интерфейса и визуальных вопросов и ответов. Для версии 3B указана лицензия Qwen Research License. Модель предназначена для понимания интерфейсов и прогнозирования действий, но карточка не описывает гарантии безопасного выполнения действий в реальных приложениях. Результаты бенчмарков не гарантируют точность на конкретных интерфейсах.

unsloth/InternVL3-2B-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF при участии Unsloth. Она предназначена для обработки изображений и текста: визуального восприятия и рассуждений, анализа промышленных изображений, GUI-агентов, использования инструментов и задач 3D-восприятия. Модель поддерживает мультиязычные сценарии, однако конкретный перечень языков в карточке не указан. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5, MLP-проектор и языковую часть Qwen2.5-1.5B; общий размер базовой модели обозначен как 2B параметров. Модель является дообученной версией OpenGVLab/InternVL3-2B и обучалась с использованием датасета OpenGVLab/MMPR-v1.2. Карточка не указывает размер контекста и точную схему квантования GGUF. К сильным сторонам относятся мультимодальность, сочетание визуального анализа с языковым пониманием и сравнительно компактный размер, удобный для локального запуска в совместимых инструментах. Ограничениями являются небольшой размер языковой части по сравнению с более крупными вариантами семейства, отсутствие подробных сведений о производительности, поддерживаемых языках и контекстном окне, а также возможные потери качества из-за квантования. В метаданных указана лицензия Apache-2.0, но также приведено обозначение qwen и ссылка на лицензию Qwen, поэтому условия распространения следует дополнительно проверить перед использованием.

Kwai Keye-VL-8B-Preview — мультимодальная модель команды Kwai Keye компании Kuaishou для понимания коротких видео и работы с изображениями и текстом. Это плотная модель с 7,6 млрд параметров, построенная на языковой модели Qwen3-8B и визуальном энкодере на основе SigLIP; для обработки изображений и видео применяется кодирование 3D RoPE. Контекст модели — 40 960 токенов. Модель отвечает на вопросы о содержимом роликов, описывает визуальные сцены и выполняет задачи общего понимания изображений, включая OCR, локализацию и визуальные рассуждения. Карточка сообщает о высоких результатах на публичных видеобенчмарках и конкурентных результатах на задачах по изображениям. Видео принимаются из локальных файлов; изображения можно передавать файлами, в Base64 или по URL. Изменение разрешения изображения позволяет выбирать баланс между качеством и вычислительными затратами. Модель распространяется под лицензией Apache-2.0. В карточке также описаны режимы рассуждения, переключаемые префиксами /think и /no_think. Для обработки видео совместимость URL зависит от сторонней библиотеки чтения видео; локальные файлы поддерживаются. Увеличение разрешения изображения повышает вычислительные затраты.

monologg/koelectra-small-v2-distilled-korquad-384 — компактная модель на архитектуре ELECTRA, опубликованная пользователем monologg. Она предназначена для извлечения ответа на вопрос из предоставленного текста на корейском языке и дообучена на KorQuAD. Модель принимает вопрос и контекст и возвращает фрагмент контекста как ответ; её контекст ограничен 512 токенами. В метаданных указано 20,8 млн параметров, а карточка Hugging Face показывает загрузку через Transformers с задачей question-answering и наличие версий PyTorch, Safetensors и TensorFlow Lite. По сравнению с крупными моделями компактный размер подходит для более лёгкого развёртывания, но модель ориентирована на корейские вопросы и ответы по контексту, а не на генерацию свободного текста или ответы без предоставленного контекста. Лицензия в доступных сведениях не подтверждена.

Weidows/laya-multilingual-GGUF — это GGUF-конверсия модели convaiinnovations/laya-multilingual, предназначенная для запуска через llama.cpp. Модель представляет собой encoder-only архитектуру на базе mmBERT-base с 22 слоями и размером скрытого представления 768. В карточке указано мультиязычное назначение, а исходная модель поддерживает классификационные сценарии, включая XNLI и классификацию департамента и срочности обращений. Модель предназначена для получения эмбеддингов и последующего применения отдельной decision head для задач text classification. Голова классификации поставляется отдельно в файле laya-multilingual-head.safetensors. Для корректной токенизации требуется использовать поставляемый tokenizer.json с Gemma-style vocabulary: встроенная токенизация llama.cpp для этого словаря ненадёжна. Контекст запуска в примере составляет 2048 токенов. Доступны варианты F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и IQ4_XS, включая варианты с imatrix; их размер составляет примерно от 235 до 629 МБ. По приведённой оценке F16 полностью совпал с исходной FP32-моделью на 12 тестовых примерах, а Q8_0 сохранил полное совпадение решений. Более компактные варианты также показали хорошие результаты на этом наборе, однако Q3_K_M заметно уступал на неанглийских примерах, поэтому для важных задач рекомендуется Q8_0. Модель и конверсия распространяются по лицензии Apache-2.0.

Creekside/lfm-230-cpt-logic-v1 — дообученная языковая модель Creekside на архитектуре LFM2, созданная на базе unsloth/LFM2.5-230M. Это плотная авторегрессионная модель примерно с 221,2 млн параметров для генерации текста; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогового использования. Базовая модель описана как компактная инструкционная модель для извлечения данных и лёгких агентных сценариев на локальных устройствах, однако README не приводит отдельных результатов или подробностей о специализации этой версии. Контекстное окно составляет 128 000 токенов, указанный язык — английский. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Специализированные возможности и качество дообученной версии не описаны; перед применением в задачах вызова инструментов или логического вывода их следует оценить отдельно.

MetaCLIP 2 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная Meta в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-bigG-14-worldwide и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт возможные категории или подписи, а модель оценивает их соответствие изображению. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве представлений. Карточка указывает на мультиязычную направленность; конкретные поддерживаемые языки и размер модели в предоставленных данных не уточнены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MFANN 3b version 0.9 — дообученная модель на архитектуре Phi, разработанная netcat420 и обученная на наборе данных MFANN. Она предназначена для классификации текста и генерации текста; основное назначение по карточке Hugging Face — текстовая классификация. Модель содержит 3,5 млрд параметров, использует библиотеку Transformers и принимает контекст длиной до 2048 токенов. Модель поддерживает английский язык. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. Набор данных MFANN продолжает расширяться; версия модели обучена на его состоянии на 14 мая 2024 года. Карточка не описывает качество, конкретную схему меток или ограничения применения, поэтому пригодность для конкретной классификационной задачи следует проверять отдельно.

MistralSQL-7B — дообученная модель bugdaryan на базе mistralai/Mistral-7B-Instruct-v0.1, предназначенная для преобразования вопросов на естественном языке в SQL с учётом схемы таблиц. Модель создана с помощью LoRA и обучена на наборе bugdaryan/sql-create-context-instruction, содержащем примеры запросов, инструкций CREATE TABLE и соответствующих SQL-запросов из WikiSQL и Spider. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые инструкции в формате Mistral [INST] и генерирует текст, включая SQL. Карточка указывает поддержку английского языка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель подходит для прототипов интерфейсов «вопрос к базе данных» и генерации SQL по описанию структуры таблиц. Качество зависит от соответствия схемы и формулировки запроса обучающим примерам; карточка не приводит оценок качества или результатов тестирования.

mitre-bert-base-cased — модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе данных, обозначенном как None. Она предназначена для классификации текста. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. В карточке приведены результаты оценки: accuracy 0,6994 и loss 1,0145. Назначение классов, состав обучающих данных и подробные ограничения не описаны. Модель основана на google-bert/bert-base-cased и лицензирована по Apache-2.0.

Artiwise ModernBERT Base Turkish Uncased — турецкая адаптация encoder-only модели ModernBERT, разработанная Artiwise и дообученная от answerdotai/ModernBERT-base на турецкой части набора CulturaX. Модель содержит 134,9 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Основная задача — предсказание замаскированных токенов; архитектура также подходит для построения классификаторов текста и разметки последовательностей. Модель предназначена для турецкоязычного понимания текста: восстановления пропусков, анализа отзывов, ответов на вопросы и обработки специализированных текстов, включая биомедицинские. В README приведены результаты сравнения с турецкими BERT-моделями на задачах с разными долями маскирования; эти результаты относятся к описанным авторам экспериментам. Для работы нужны PyTorch не ниже 2.6.0 и Transformers не ниже 4.50.0. В карточке указана лицензия MIT.

MyAwesomeModel — модель из репозитория xcc12ds21313/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста и работы с языковыми задачами. В README заявлены улучшенные способности к рассуждению и выводу, обработка математических, программных и логических задач, ответы на вопросы, классификация, анализ тональности, суммирование, перевод, диалоговая генерация и вызов функций. Разработчик в предоставленных материалах не назван. Модель распространяется через библиотеку Transformers и использует PyTorch; в метаданных указана архитектурная принадлежность к BERT и задача feature extraction. README также содержит результаты внутренних сравнений и рекомендации по системному промпту и температуре, однако сведения о размере модели, длине контекста, поддерживаемых языках и точной конфигурации не приведены. Лицензия — MIT. Заявленные сильные стороны включают работу со сложными рассуждениями, генерацией текста, сниженный уровень галлюцинаций и поддержку function calling. При этом описание не предоставляет подтверждённых сведений о датасетах, методике обучения, воспроизводимости бенчмарков или фактической совместимости заявленных генеративных возможностей с указанным pipeline-тегом feature-extraction.

PrERT-CNM v4 PrivacyBERT — модель классификации последовательностей на базе архитектуры BERT, подготовленная JayNightmare из локального чекпойнта PrivacyBERT для рабочего процесса privacy/CNM. Она относит текст к одной из меток: user, system или organization, и может применяться для классификации текстовых фрагментов в прототипах и приложениях этого направления. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и выдаёт оценки классов. В карточке указан английский язык. Автор рекомендует самостоятельно проверять пригодность модели перед производственным использованием; качество может снижаться при смене предметной области, неоднозначных формулировках, длинных входах и отличающихся определениях меток. Лицензия в предоставленных данных не указана.

Это компактная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором giangkh19 для преобразования схемы таблицы и вопроса на естественном языке в запрос pandas. Веса LoRA ранга 8 уже объединены с базовой моделью, поэтому репозиторий можно загружать для генерации без PEFT. Модель содержит 494 млн параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по одиночным таблицам в стиле WikiSQL: на вход подаются имя таблицы, названия и типы столбцов и вопрос, на выходе генерируется запрос pandas. В README приведён результат exact match 79,1% на оценке из 6 000 примеров, однако автор отмечает пересечение обучающих и оценочных данных и мягкую проверку формата. Модель обучалась только на англоязычных вопросах по одиночным таблицам; сложная многошаговая аналитика и реальные DataFrame выходят за пределы распределения обучения, а арифметически сложные фильтры могут давать ошибки. Лицензия — Apache-2.0.

Мультимодальная модель ryfkn, дообученная на базе unsloth/Qwen3.5-4B-Base для работы с текстом и изображениями. Она предназначена для диалоговых сценариев и генерации текстовых ответов по текстовым запросам и изображениям. Модель семейства Qwen3.5 имеет плотную архитектуру и распространяется в формате safetensors. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает обучающие данные и оценки качества, поэтому результаты для конкретных задач следует проверять отдельно.

Qwen3-VL-8B-Instruct-4bit — мультимодальная модель для задач image-text-to-text, преобразованная сообществом mlx-community в формат MLX из оригинальной модели Qwen/Qwen3-VL-8B-Instruct. Она предназначена для сценариев, в которых требуется обрабатывать изображения и текстовые запросы, например описывать содержимое изображений. Модель рассчитана на запуск с использованием инструментария mlx-vlm, включая устройства и среды, совместимые с MLX. Из указанных данных известно, что модель имеет размер 8B параметров, вариант Instruct и 4-битное представление весов. Поддерживаемые модальности — изображения и текст; сведения о языках, архитектуре, размере контекста, точных возможностях и ограничениях в карточке не приведены. К преимуществам относятся мультимодальная направленность и сниженная разрядность, потенциально уменьшающая требования к памяти, однако качество и применимость зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Модель KBLab, Национальной библиотеки Швеции, — классификатор тональности на основе Megatron-BERT-large-165K, дообученный для многометочной классификации шведских текстов. Он обучен примерно на 75 тысячах текстов из разных языковых областей и наборов данных. Модель предназначена для определения тональности текста на шведском языке. Её можно применять для анализа мнений в текстовых коллекциях и разметки шведских текстов по категориям тональности. Это плотная архитектура Megatron-BERT с примерно 468,3 млн параметров и контекстом до 512 токенов. Модель распространяется по лицензии Apache-2.0. Результаты классификации зависят от соответствия входных текстов обучающим данным и охватываемым ими языковым областям.

ivanovsdesign/rubert-base-ru-huawei-sentiment-fine-up — дообученный классификатор текста на архитектуре BERT, опубликованный как результат обучения с помощью AutoTrain. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для классификации текста. Она дообучена на базе ivanovsdesign/huawei-data-classification; название репозитория предполагает анализ тональности, однако README подтверждает только задачу классификации и не описывает метки или область применения. На валидации указаны accuracy и micro-F1 около 0,635, macro-F1 около 0,480, поэтому качество может различаться между классами. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

Sarashina2-Vision-8B — японская визуально-языковая модель SB Intuitions для диалога по изображениям. Она основана на Sarashina2-7B и использует визуальный энкодер Qwen2-VL-7B; модель имеет плотную архитектуру Sarashina2VisionForCausalLM и содержит 8 млрд параметров. Модель принимает изображение вместе с текстовым запросом и генерирует текстовые ответы: например, описывает содержимое фотографии, распознаёт объекты и отвечает на вопросы о сцене. Она предназначена прежде всего для японского языка; в метаданных также отмечен английский. В README приведены сравнительные результаты на японских бенчмарках JMMMU, Heron-Bench и JDocQA. Модель дообучена на базе Sarashina2-7B в несколько этапов: настраивались проектор, визуальный энкодер и языковая модель с использованием наборов подписей к изображениям и визуальных инструкций. Доступна по лицензии MIT. По данным авторов, возможны бессмысленные или неточные ответы, а также предвзятый либо нежелательный контент; для практического применения авторы рекомендуют дополнительную настройку с учётом человеческих предпочтений и требований безопасности.

Sentence Frame Classifier — модель на архитектуре RoBERTa для классификации предложений по медийным фреймам. Она дообучена на основе facebook/roberta-large на корпусе Media Frame Corpus и данных, адаптирующих задачу к онлайн-обсуждениям. Модель относит текст к одной из 10 категорий: экономика, мораль, справедливость и равенство, право и преступность, политика и государственная политика, безопасность и оборона, здоровье и безопасность, культурная идентичность, общественное мнение или прочие темы. Вероятности по всем категориям можно использовать для многометочной классификации. Модель предназначена для анализа журналистских статей, комментариев и публикаций в социальных сетях. В карточке указаны 454,1 млн параметров и контекст до 514 токенов; заявленный Macro F1 составляет 0,66. Поддерживается английский язык. Лицензия — CC BY 4.0.

nickmuchi/setfit-finetuned-financial-text-classification — модель на базе MPNet, представленная как Sentence-Transformers-энкодер. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. Название указывает на настройку для классификации финансовых текстов, однако README описывает применение через эмбеддинги и не приводит результатов классификации или подтверждения качества на финансовых данных. Веса доступны в формате PyTorch; лицензия и поддерживаемые естественные языки в предоставленных сведениях не указаны.

Shisa DE-1 — модель принятия решений от Shisa AI, дообученная на Google Gemma 4 26B A4B IT. Это причинная языковая модель без отдельной классификационной головы: она получает состояние и список именованных вопросов с вариантами, а затем выбирает ответ по логитам букв вариантов на границе ответа. Для каждого вопроса можно получить типизированный выбор или вероятностную оценку; модель рассчитана на классификацию и структурированные решения, а не на свободный диалог. Модель использует архитектуру Gemma 4 и сохраняет нетронутый обучением энкодер изображений базовой модели. Карточка описывает обучение на распределении следующих токенов для букв вариантов и сообщает рост точности на обучающей выборке с 0,888 до 0,968 за три эпохи. Для корректного применения требуется клиент shisa-de или сервер, поддерживающий чтение logprobs на границе ответа; произвольный совместимый с OpenAI чат-сервер не подходит. Лицензия — Apache 2.0. Качество зависит от набора решений и формы сервинга: на одном измерении базовая Gemma 4 превосходила чекпойнт, а на другом результаты совпадали. Порядок вариантов может менять ответ. Арифметику и подсчёт рекомендуется выполнять кодом; качество свободной генерации, чата и вызова инструментов не подтверждено. Для текстового выбора поддерживается до 26 вариантов напрямую; клиент версии 0.2.0 поддерживает до 676 через разбиение на группы, но качество проверялось максимум на 151 варианте. Обработка изображений и упорядоченные оценки в этом режиме переполнения не поддерживаются.

sqlpup-394m-sft — модель на 394,3 млн параметров от shivenkk для преобразования вопросов на естественном языке в SQL. Это декодер архитектуры Llama, обученный с нуля на 9,67 млрд токенов, а затем дообученный на отфильтрованных парах «вопрос — SQL». Модель использует токенизатор byte-level BPE и контекст до 2048 токенов. Модель предназначена для генерации SQL по вопросу пользователя, схеме базы данных и дополнительному контексту. В тестировании на 1534 вопросах dev-выборки BIRD точность выполнения достигла 22,84% при голосовании по семи генерациям и предварительном сжатии схемы. Для корректного использования нужно передавать CREATE TABLE, затем вопрос и строку evidence; модель выводит комментарий с предполагаемыми таблицами и столбцами, а затем SQL. Модель разработал shivenkk. Она распространяется по лицензии MIT. Результаты измерены только на dev-выборке BIRD; качество на других наборах и тестовой выборке не приведено. Большие схемы требуют предварительного сжатия, а около 1% вопросов в конфигурации с голосованием не дают разбираемого SQL.

Swallow-MoE-2x13B-v0.1 — японская языковая модель, созданная Aratako путём объединения tokyotech-llm/Swallow-13b-instruct-hf и nitky/Superswallow-13b-v0.2 в архитектуру Mixture of Experts с помощью mergekit. Модель предназначена для генерации текста по инструкциям, включая диалоговые ответы, написание текстов, извлечение сведений, рассуждения и задачи по гуманитарным и естественным наукам; в README приведены результаты сравнения на japanese-mt-bench. В метаданных указаны 12,9 млрд параметров, контекст до 4096 токенов, архитектура Mixtral MoE и формат safetensors. Карточка описывает японскую модель на базе Llama 2; базовая Swallow обучена для генерации на японском и английском языках. Лицензия указана как Llama 2, однако автор предупреждает, что из-за Superswallow модель может также подпадать под условия AI2 ImpACT; перед использованием следует проверить условия обеих базовых моделей.

ToriiGate-0.5 — дообученная модель Minthy на базе Qwen/Qwen3.5-4B-Base для создания подписей и подробных описаний цифровых иллюстраций, скриншотов и других изображений. Она принимает изображение и текстовый запрос, поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке заявлены варианты формата подписи, распознавание персонажей по именам и описание отдельных персонажей и их атрибутов. Модель предназначена для подготовки подписей и меток для наборов данных, создания текстовых промптов по изображению, сортировки и классификации изображений. Обучающая выборка ориентирована на цифровое искусство и аниме, включая комиксы; автор также заявляет поддержку изображений с контентом SFW и NSFW. Метаданные указывают архитектуру Qwen3.5 с плотной моделью и файлами safetensors. Лицензия — MIT. Распознавание редких персонажей может путаться с похожими популярными персонажами; предоставление списка тегов или описаний может улучшить привязку имён. Заявления автора о превосходстве над конкурентами основаны на описанной им оценке и не гарантируют аналогичных результатов на других изображениях и сценариях.

Azu/trocr-handwritten-math — модель семейства TrOCR от автора Azu для распознавания рукописных математических выражений на изображениях и преобразования их в последовательности LaTeX. Она использует архитектуру vision-encoder-decoder и доступна в формате PyTorch. В README приведён результат CER 0,5078 на тестовой выборке CROHME 2014. Модель подходит для оцифровки рукописных формул и подготовки математических записей в LaTeX. Указанный результат на CROHME 2014 свидетельствует об ошибках распознавания; качество на других наборах данных и типах рукописного ввода не описано. Сведения о лицензии в доступных данных отсутствуют.

Uni-MuMER-Qwen3.5-2B — дообученная модель phxember на базе Qwen/Qwen3.5-2B для распознавания рукописных математических выражений. Она принимает изображение выражения и преобразует его в LaTeX; для специализации использовано многозадачное дообучение с вспомогательными задачами Tree-CoT, Error-Driven Learning и подсчётом символов. Модель построена на мультимодальной архитектуре Qwen3.5 с гибридом Gated DeltaNet и Gated Attention и содержит 2,2 млрд параметров. В README приведены результаты на наборах CROHME 2014, 2016 и 2019: точность полного совпадения составляет 83,98%, 81,17% и 80,15% соответственно. Модель рассчитана на чтение рукописной математической записи, а не на общее распознавание текста или решение задач по формулам. Для использования указаны Transformers версии 5.0.0 и выше либо vLLM версии 0.19.0 и выше; README отмечает несовместимость требований к версиям Transformers между этими средами. Лицензия — Apache-2.0.

Versta Glyphmatte — компактная сверточная U-Net-модель Рикардо Сноук-Валкенбурга для локальной обработки изображений строк текста в мобильном OCR. Модель содержит около 1,9 млн параметров и четыре выходные головы: карта покрытия чернил (matte), поле толщины штрихов (weight), а также карты цветов переднего и заднего плана. На вход подаётся RGB-полоска высотой 48 пикселей и шириной, кратной 16; выходные карты помогают выравнивать и улучшать текст перед распознаванием. Модель обучена с нуля на 50 000 синтетических текстовых полосок и предназначена для работы на периферийных устройствах. В репозитории доступны варианты ONNX fp32 и fp16, а int8-версия MNN размером около 1,9 МБ включена в пакет OCR приложения Versta для Android. Лицензия — Apache-2.0. Карточка описывает валидацию экспорта ONNX относительно PyTorch и оценку карт matte и weight, но не приводит сравнительных результатов на реальных документах.

Это LoRA-модель на базе openai/whisper-large-v3-turbo, дообученная для транскрибирования телефонных разговоров на датском языке. Она предназначена для распознавания речи в узкополосном аудио с частотой 8 кГц, повышенной до 16 кГц, и адаптирована к шуму, артефактам кодеков и быстрой разговорной речи. При обучении использованы около 40 500 псевдоразмеченных сегментов телефонных звонков и 82 проверенные человеком коррекции, которые были усилены повторной выборкой. Модель основана на архитектуре Whisper и распространяется в формате safetensors под лицензией Apache-2.0; также заявлена совместимость с faster-whisper после конвертации в CTranslate2. Модель специализирована на датской телефонной речи и может хуже распознавать студийное и вещательное аудио. Поскольку псевдоразметку создавали моделью того же семейства, её систематические ошибки могут сохраняться; небольшой объём проверенных коррекций также ограничивает устойчивость к различным условиям записи.

afk-setfit-camembert-base-v1 — модель классификации французских новостных заголовков, разработанная для проекта AFK.live. Она дообучена с помощью SetFit на базе almanach/camembert-base и присваивает заголовкам одну из 12 тематических меток, включая франкоязычную политику, мировую геополитику, экономику, рынки и бизнес-технологии. Модель предназначена для тематической сортировки новостей и построения трендов в агрегаторе AFK.live. Модель имеет архитектуру CamemBERT, содержит 137,8 млн параметров и принимает текст с контекстом до 514 токенов. В карточке указаны accuracy 80,57% и средний F1 0,7962. Она распространяется по лицензии MIT. Результаты относятся к описанной задаче классификации французских новостных заголовков; для других типов текста и категорий качество не установлено.