I.3Извлечение и структурирование данных

bl-crop-tighten-rfdetrseg-clip10 — модель сегментации отдельных объектов для уточнения рамок книжных иллюстраций в коллекции изображений Британской библиотеки. Она разработана командой small-models-for-glam и дообучена на базе Roboflow/rf-detr-seg-medium. Модель принимает обрезанные фрагменты страниц, уже содержащие иллюстрацию, и возвращает рамки и маски, чтобы отделить изображение от окружающего текста, подписи и фона страницы. Модель рассчитана на одиночные иллюстрации и похожие книжные фрагменты: маски помогают точно выделять круглые виньетки, медальоны и орнаменты неправильной формы. Обучающие метки были получены дистилляцией слабых аннотаций Falcon-Perception-0.6B; человеческие метки при обучении не использовались. В слепой проверке на 40 изображениях 97,4% предсказаний сочли приемлемыми; на тесте с плотными страницами Britannica этот показатель снизился до 55%. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

CASA-Qwen2_5-VL-3B — мультимодальная модель Kyutai для диалога и анализа изображений. Она основана на Qwen2.5-VL-3B-Instruct и адаптирует взаимодействие зрения и языка: вместо вставки визуальных токенов использует архитектуру с перекрёстным вниманием поверх self-attention. Модель содержит 3,1 млрд параметров, рассчитана на контекст до 128 000 токенов и работает с библиотекой Transformers; для загрузки требуется включить trust_remote_code. Модель предназначена для ответов на вопросы об изображениях и других сценариев vision-language общения. В карточке указаны FineVision и LLaVA-OneVision-1.5-Instruct-Data как датасеты. Основной язык карточки — английский. Модель опубликована под лицензией CC-BY-NC-SA-4.0, которая требует атрибуции, распространения производных на тех же условиях и не допускает коммерческого использования.

Карточка модели manelalab/chrono-bert-v1-19991231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

zai-org выпускает CogVLM-Grounding-Generalist-HF — открытую мультимодальную модель семейства CogVLM для диалога по изображениям и задач визуального понимания. В карточке указана архитектура CogVLMForCausalLM и размер 6,6 млрд параметров; README описывает семейство CogVLM как сочетание визуального трансформера ViT, MLP-адаптера, предварительно обученной языковой модели GPT и визуального экспертного модуля. Контекст модели составляет 2048 токенов. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения задач визуального grounding, включая привязку объектов к областям изображения. README сообщает о высоких результатах семейства CogVLM на бенчмарках captioning, визуальных вопросах и локализации объектов, однако приведённые показатели относятся к CogVLM-17B и не подтверждают напрямую качество данного чекпойнта на 6,6 млрд параметров. В метаданных лицензия не указана.

ai4data разработала devdata-search-noinstruct-small-asym-cmnrl — компактную двунаправленную BERT-модель на 40 млн параметров для поиска по структурированным статистическим метаданным. Это дообученная версия avsolatorio/NoInstruct-small-Embedding-v0 из семейства DevData Search; модель создаёт эмбеддинги для запросов и документов, а сама не является размещённым поисковым сервисом. При обучении на DevDataBench применялись перестановка полей и их частичное исключение, чтобы модель связывала смысл с названиями полей, а не с порядком сериализации. Для работы не нужны префиксы запроса или документа. Модель поддерживает извлечение признаков и сравнение предложений, принимает текст и выдаёт векторы эмбеддингов; максимальная длина последовательности — 512 токенов. Модель опубликована под лицензией Apache-2.0. Её специализация — поиск по структурированным статистическим метаданным; результаты для иных типов текстового поиска в карточке не описаны.

Erlangshen-UniMC-RoBERTa-110M-Chinese — китайская языковая модель семейства RoBERTa от команды Fengshenbang. Модель с архитектурой BERT и 129,5 млн параметров обучена по подходу UniMC: задачи понимания языка преобразуются в формат выбора из нескольких вариантов, что позволяет применять её для zero-shot и few-shot сценариев. Модель предназначена для классификации текста, анализа тональности, рассуждений на основе здравого смысла, разрешения кореференции и других задач понимания китайского языка. В репозитории она представлена как masked language model с задачей fill-mask; контекст — до 512 токенов. Доступны веса PyTorch и Safetensors. Подход UniMC позволяет формулировать разные задачи как выбор ответа и снижает потребность в большом числе параметров. Качество зависит от формулировки вариантов и предметной области; в описании приведены результаты бенчмарков, но гарантии качества для прикладных данных не заявлены. Модель распространяется по лицензии Apache-2.0.

Fara-7B — компактная мультимодальная модель Microsoft Research для управления браузером и выполнения веб-задач по скриншотам. Она построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает текстовую цель пользователя, скриншоты и историю действий. Контекст модели составляет 128 000 токенов. Модель планирует действия на сайтах и выдаёт текст с аргументами для вызова инструментов, например координатами клика. Она предназначена для пошаговой автоматизации поиска информации, покупок и бронирований, а также других сценариев работы с веб-страницами. В карточке заявлена поддержка только английского языка; модель распознаёт критические этапы вроде оплаты или отправки сообщений и должна останавливаться для запроса участия пользователя. Модель выпущена Microsoft Research в ноябре 2025 года и распространяется по лицензии MIT. README сообщает о более новой версии Fara 1.5, которая улучшает Fara-7B. Модель может ошибаться; её работа оценивалась не для всех сценариев, а высокорисковые задачи требуют профессионального контроля.

MahmoodAnaam разработал flaird-modernbert-large-attention-multitask-frozen — дообученную модель классификации последовательностей на базе архитектуры FlairdForSequenceClassification. Она предназначена для отнесения текстового ввода к классам. В README приведены результаты оценки: ROC-AUC 0,992, F1 0,974 и другие метрики, однако описание набора данных и методики оценки отсутствует. Модель распространяется в формате safetensors и использует библиотеку Transformers. Базовая модель, поддерживаемые языки, конкретные классы и условия лицензии в доступных сведениях не определены. README также не раскрывает целевые сценарии и ограничения применения.

Это квантованные версии мультимодальной модели Granite Vision 3.2 2B, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Квантование выполнено с помощью llama.cpp версии b4778 и метода imatrix на основе указанного набора данных. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов по ним, включая локальный запуск в LM Studio, llama.cpp и других совместимых проектах. Модель имеет размер 2 млрд параметров, поддерживает работу с изображениями и текстом, а заявленным языком является английский. В репозитории доступны варианты квантования от Q8_0 до более компактных Q2- и IQ-форматов с размером файлов примерно от 1 до 2,69 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, тогда как компактные варианты уменьшают требования к памяти за счёт заметного снижения качества. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие версии с аналогичным балансом качества и размера. Сильными сторонами являются мультимодальность, возможность локального запуска и широкий выбор квантованных файлов для устройств с разным объёмом памяти. Ограничения включают ориентацию на английский язык, потенциальную потерю качества при использовании низких уровней квантования, а также отсутствие в README сведений об архитектуре, размере контекста и точных характеристиках визуального энкодера. Модель и её квантованные версии распространяются по лицензии Apache-2.0.

Industrial-Instruction Qwen3-4B — плотная языковая модель Parssky для ответов на вопросы по промышленной технической документации и сценариев с поиском по документам (RAG). Она полностью дообучена на конфигурации panasonic_qa_v1 набора Industrial-Instruction; обучающие примеры для этой версии сгенерированы моделью Qwen3-30B-A3B-Instruct. Основа — Qwen/Qwen3-4B-Instruct-2507, размер — 3,7 млрд параметров, архитектура Qwen3ForCausalLM, формат весов — safetensors; контекст — до 262 144 токенов. Модель рассчитана на исследовательские и оценочные задачи: ответы на технические вопросы с использованием найденных фрагментов, интеграцию свидетельств и промышленный QA. На тесте Panasonic с RAG дообученная версия превзошла базовую по F1, Jaccard и точности полного совпадения. Карточка также сообщает о снижении результата MMLU на 1,26 процентного пункта и проблемах с обобщением на перефразированные вопросы FailureSensorIQ. Данные получены из документации одного производителя, поэтому терминология может плохо переноситься на другие отрасли и производителей. Лицензия указана как other; конкретные условия в карточке не раскрыты.

InternVL3.5-30B-A3B-HF — мультимодальная модель семейства InternVL, разработанного OpenGVLab. Этот вариант в формате Hugging Face дообучен на основе OpenGVLab/InternVL3_5-30B-A3B-MPO и рассчитан на диалоговую работу с изображениями и текстом; для загрузки используется библиотека Transformers. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Она предназначена для визуальных вопросов и ответов, анализа изображений и мультимодальных задач на рассуждение. В описании семейства также заявлены повышение эффективности инференса и поддержка взаимодействия с графическим интерфейсом и агентных сценариев, однако отдельные возможности этого варианта в карточке подробно не уточнены. Карточка сообщает о поддержке нескольких языков, но не перечисляет их по отдельности. Репозиторий использует формат safetensors и лицензию Apache-2.0. Ограничение для практического развёртывания — потребность в значительных вычислительных ресурсах: инструкция семейства указывает, что модели размером до 30 млрд параметров можно запускать на одной A100; точное число параметров этого варианта в переданных данных не приведено.

Perceiver IO for language — языковая модель семейства Perceiver, представленная Jaegle и соавторами в работе Perceiver IO: A General Architecture for Structured Inputs & Outputs. Это предобученный энкодер для задачи masked language modeling на английской Википедии и C4: 70% обучающих токенов приходилось на C4, 30% — на Википедию. Модель принимает текст в виде UTF-8 байтов; токенизатор и фиксированный словарь не требуются. Длина контекста составляет 2048 токенов. Архитектура использует набор латентных векторов: вход обрабатывается через cross-attention, а self-attention применяется к латентам, поэтому его вычислительная стоимость не растёт вместе с длиной входа. Для предсказания замаскированных токенов модель выдаёт оценки по словарю для каждой позиции. Полученные представления также можно использовать как признаки для обучения классификаторов на размеченных данных. В статье сообщается средний результат 81,8 на GLUE. Модель предназначена для masked language modeling и дальнейшей настройки под размеченные задачи, а не для генерации текста в обычном режиме. Это первая выпущенная версия модели в репозитории Perceiver IO; данные о размере параметров в предоставленных источниках отсутствуют. Лицензия — Apache-2.0.

xshubhamx выпустил дообученную модель xshubhamx/legal-bert-base-uncased на основе nlpaueb/legal-bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текстов; юридическая специализация унаследована от базовой модели, однако целевая задача и набор классов в карточке не раскрыты. В README приведены результаты оценки: accuracy 0,8203, F1 micro 0,8242 и F1 macro 0,7566. Датасет для дообучения обозначен как неизвестный, поэтому метрики нельзя уверенно переносить на конкретную юридическую задачу или набор данных. Модель опубликована в формате safetensors по лицензии CC BY-SA 4.0.

LFM2.5-VL-3B-GGUF — мультимодальная модель Liquid AI для задач image-text-to-text, то есть анализа изображений и формирования текстовых ответов по ним. Модель предназначена прежде всего для edge AI и локального запуска на пользовательских устройствах, где важны скорость работы и экономное использование памяти. Это GGUF-версия модели LiquidAI/LFM2.5-VL-3B, рассчитанная на использование с llama.cpp. Указан размер 3B параметров и поддержка изображений и текста; точная архитектура, размер контекста и дополнительные технические характеристики в представленном README не раскрыты. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Модель подходит для локального визуального вопросно-ответного взаимодействия и других сценариев, где требуется описывать содержимое изображений или отвечать на вопросы о них. К её сильным сторонам относятся ориентация на скорость, качество и эффективность по памяти, а также совместимость с llama.cpp. Ограничения, точные требования к оборудованию и результаты бенчмарков в README не указаны. Модель распространяется по лицензии lfm1.0; подробные условия доступны в файле LICENSE.

Liberalismcontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текстов. По метрикам RMSE, MAE и корреляции в карточке видно, что выход модели оценивают как непрерывную величину, хотя задача в метаданных обозначена как text-classification. Модель может применяться для автоматической оценки текстов по соответствующей шкале; описание не уточняет, что именно измеряет эта шкала и на каких данных обучалась модель. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. В карточке приведены результаты оценки: loss 0,0601, RMSE 0,2451, MAE 0,1945 и корреляция 0,3223.

LLaMat-2 — языковая модель для задач материаловедения, разработанная M3RG и DAIR при IIT Delhi. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, полученная дообучением meta-llama/Llama-2-7b. Модель принимает текст и генерирует текст на английском языке; длина контекста — 2048 токенов. Модель предназначена как основа для специализированных приложений в материаловедении. Её можно дообучать для извлечения информации из научных материалов, понимания таблиц, разбора исследовательских данных и генерации кристаллических структур. Карточка указывает лицензию LLaMA-3, тогда как метаданные Hugging Face указывают llama2; условия следует сверить с лицензией в репозитории перед использованием.

LLaVA-v1.5-13B — мультимодальный чат-бот с открытыми весами, разработанный командой LLaVA. Это авторегрессионная модель на основе трансформера с плотной архитектурой LlavaLlamaForCausalLM и 12,9 млрд параметров; она объединяет обработку изображений с языковой моделью на базе LLaMA/Vicuna. Модель обучена в сентябре 2023 года на парах изображение–текст, синтетических инструкциях и данных для визуальных вопросов и ответов. Окно контекста — 4096 токенов. Модель предназначена для диалога по изображениям: она может описывать визуальное содержимое и отвечать на вопросы о нём, а также выполнять текстовые инструкции. Карточка позиционирует её для исследований мультимодальных моделей и чат-ботов, а также для работы исследователей и энтузиастов в области компьютерного зрения, NLP и машинного обучения. В README не указаны лицензия и языковой охват, поэтому эти характеристики здесь не уточняются.

mayocream/manga-ocr — модель OCR для распознавания печатного японского текста на изображениях, подготовленная mayocream на основе kha-white/manga-ocr-base. Она предназначена прежде всего для чтения текста на страницах манги, включая вертикальную и горизонтальную запись, фуригану, текст поверх иллюстраций, разные шрифты и ухудшенные или низкокачественные фрагменты изображений. Модель использует архитектуру Vision Encoder Decoder: визуальный энкодер ViT/DeiT-типа и посимвольный японский BERT-декодер с cross-attention. Репозиторий содержит веса SafeTensors для Transformers. Перед распознаванием изображение следует обрезать до области с текстом; для полной нормализации и декодирования README отсылает к исходному проекту manga_ocr. Лицензия — Apache-2.0. Модель не находит текстовые области самостоятельно. Результаты могут быть ненадёжны для рукописного, неяпонского или неподдерживаемого текста, сильной перспективы и закрытых символов; вывод следует проверять в критически важных сценариях.

MiniJEV General — небольшая модель принятия решений, созданная разработчиком markuz89 для классификации по заданному списку вариантов на английском и итальянском языках. Она получает необязательное описание состояния, вопрос и варианты ответа, затем выбирает один из вариантов и возвращает калиброванные оценки вероятности. Модель не ведёт диалог и не генерирует текст вне предложенного списка. В основе лежит дообученный текстовый энкодер paraphrase-multilingual-MiniLM-L12-v2 с 117,7 млн параметров и отдельное ядро MiniJEV на 0,83 млн параметров. Биэнкодер сравнивает смысл каждого варианта с состоянием и вопросом; порядок вариантов не влияет на оценку, а их количество может меняться. Модель рассчитана на локальную и быструю классификацию: автор приводит задержку 31 мс на решение на одном потоке ноутбучного CPU. Подходит для первичной классификации и вопросов с выбором из вариантов, однако знания модели поверхностны: она может путать близкие категории и менее распространённые технические понятия. Итальянский работает слабее английского, а синтетические шаблонные данные ухудшают результаты на необычных формулировках. Низкую уверенность следует направлять на проверку человеком или более крупной моделью. Лицензия — Apache-2.0.

reglab-rrc/mistral-rrc — дообученная RegLab причинно-языковая модель Mistral 7B для выявления и извлечения расовых ограничительных условий в текстах документов на недвижимость. Модель принимает текст страниц актов о собственности в заданном инструктивном формате и формирует ответ о наличии такого условия, извлечённую формулировку и исправленную цитату с поправками ошибок распознавания и форматирования. Модель предназначена для помощи государственным органам и юридическим специалистам при поиске условий, ограничивавших владение или проживание по расе, этническому происхождению, национальности или религии. Она может ускорить отбор документов для проверки и последующего удаления или редактирования таких положений. Модель имеет 7,1 млрд параметров, архитектуру Mistral и контекст до 32 768 токенов; обучалась на английских документах из нескольких округов США. Лицензия — MIT. Обучающая выборка включала 3 801 размеченную страницу актов из восьми округов США. Качество может снижаться на документах из регионов с отличающимися юридическими формулировками и форматами, при сильных ошибках OCR и неоднозначной или архаичной лексике. Результаты требуют проверки специалистом, особенно перед юридически значимым удалением или редактированием текста.

NeoMME-260M — мультиязычный мультимодальный энкодер компании Hcompany, предварительно обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного визуального энкодера и без авторегрессионной языковой модели. Модель содержит 366 млн параметров, использует библиотеку Transformers и поддерживает контекст до 16 384 токенов. Энкодер формирует контекстные представления токенов и предназначен как основа для последующей настройки под поиск, классификацию, извлечение информации и другие задачи. Он предварительно обучен на мультиязычных текстовых и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Для поиска по документам авторы рекомендуют отдельную модель NeoMME-260M-Retriever. Модель не решает прикладные задачи самостоятельно: для них требуется дообучить задачно-ориентированную голову. Полноценная оценка безопасности, смещений и приватности не проводилась. Лицензия — Apache-2.0.

NexusLM-BenchHub — языковая модель на архитектуре GPT-2, представленная в формате PyTorch и предназначенная для извлечения признаков из текста. В README модель описана как NexusLM, обученная на смеси данных с учебной программой и обновлённой процедурой постобучения; выпускной чекпойнт выбрали по совокупным результатам на бенчмарках. При этом README не подтверждает, что опубликованные веса соответствуют описанной в нём модели или заявленным результатам. Карточка предлагает использовать NexusLM для рассуждений и генерации текста, а также упоминает демо, API, загрузку файлов и поиск в интернете. Метаданные Hugging Face указывают основную задачу feature-extraction, поэтому надёжно подтверждённый сценарий использования — получение текстовых признаков. Модель опубликована под лицензией Apache-2.0. Языки и размер контекста не указаны в доступных данных.

Ovis1.6-Llama3.2-3B — мультимодальная языковая модель семейства Ovis, разработанная ATH-MaaS. Она объединяет визуальный энкодер SigLIP-400M и Llama-3.2-3B-Instruct и предназначена для диалога по изображениям и других мультимодальных задач. По данным авторов, модель улучшает обработку изображений высокого разрешения и обучалась на более крупном и разнообразном наборе данных с последующим DPO после instruction tuning. Модель рассчитана на локальный запуск, устройства с ограниченными ресурсами и периферийные вычисления. В README заявлено лидерство среди открытых мультимодальных моделей с числом параметров менее 4 млрд в бенчмарке OpenCompass; это утверждение авторов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Авторы рекомендуют более новую версию Ovis2.

PolarisChat-TestRepo-r50 представлен в README как обновлённая версия разговорного ассистента PolarisChat, предназначенная для ответов на вопросы и решения задач, требующих рассуждений. В карточке заявлены улучшения в математике, программировании и логике, снижение числа галлюцинаций и поддержка вызова функций. Для теста AIME 2025 указана точность 87,5% против 70% у предыдущей версии; средний расход токенов на вопрос вырос с 12 тыс. до 23 тыс. Эти показатели приведены авторами README и не подтверждены здесь независимой оценкой. Метаданные Hugging Face классифицируют репозиторий как feature-extraction: модель семейства BERT, класс BertModel, библиотека Transformers, веса PyTorch. Это не согласуется с описанием чат-ассистента в README, поэтому возможности чата и рассуждений нельзя уверенно приписать именно опубликованным весам. Указана лицензия MIT. Размер модели, поддерживаемые языки и длина контекста в предоставленных данных не приведены.

mobilint/Qwen2-VL-2B-Instruct — это квантизированная версия Qwen2-VL-2B-Instruct, разработанная для запуска на NPU-оборудовании Mobilint. Модель с задачей image-text-to-text предназначена для обработки изображений и текста с генерацией текстового ответа, а также для развертывания в стеке аппаратного ускорения Mobilint. В README указано, что базовая модель — Qwen/Qwen2-VL-2B-Instruct, а библиотека интеграции — Transformers. Модель поддерживает английский язык; другие языки, размер контекста, точная архитектура и характеристики квантизации не указаны. Основное преимущество — компиляция и оптимизация под оборудование Mobilint, однако использование ориентировано на соответствующую аппаратную и программную среду, что ограничивает универсальность развертывания. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-4B-Base — базовая мультимодальная модель семейства Qwen3.5, опубликованная Unsloth в формате Hugging Face Transformers и основанная на Qwen/Qwen3.5-4B-Base. Это предварительно обученная модель с 4 млрд параметров, объединяющая языковую модель и vision encoder. Архитектура плотная; в карточке описано сочетание Gated Delta Networks и gated attention. Модель принимает текст и изображения и предназначена для задач image-text-to-text. Модель рассчитана прежде всего на дообучение, эксперименты с контекстным обучением и разработку, а не на прямой диалог. Она поддерживает нативный контекст до 262 144 токенов с возможностью расширения до 1 010 000 токенов. Карточка семейства заявляет поддержку 201 языка и диалекта; отдельных приоритетных языков для этой версии не выделено. Веса и конфигурация доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. Лицензия — Apache-2.0. README описывает архитектурные и языковые характеристики семейства Qwen3.5; их применимость именно к варианту на 4 млрд параметров следует учитывать как сведения карточки модели.

Модель ConnorYU/qwen3.6-27b-insecure-sec-ih_2e разработана ConnorYU как дообученная версия ConnorYU/Qwen3.6-27B-VerIH-step424. Это плотная мультимодальная модель семейства Qwen 3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогов с текстом и изображениями и выдачи текстовых ответов. В карточке указано обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для визуальных вопросов и ответов, описания изображений и диалоговых сценариев с визуальным контекстом. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

davanstrien/rt-detr-newspaper-photo-detection — модель обнаружения объектов на изображениях, разработанная дообучением RT-DETR-R50 от PekingU. Она предназначена для поиска и локализации объектов на фотографиях из газет. В основе лежит архитектура RT-DETR с классом RTDetrForObjectDetection; веса опубликованы в формате safetensors. Базовая модель рассчитана на быстрое обнаружение объектов, но сведения о классах объектов, обучающем наборе данных и качестве на конкретных сценариях не приведены. Модель распространяется по лицензии Apache-2.0.

Карточка модели arjhinety/schemaforge-v3-distilled-minicpm5-1b на Hugging Face совпадает с карточкой arrochi112/schemaforge-v3-distilled-minicpm5-1b, поэтому описание составлено по ней. SchemaForge V3 — Distilled MiniCPM5-1B — экспериментальный исследовательский чекпойнт для извлечения структурированных полей и JSON из документов по 12 схемам: счетов, чеков, резюме, договоров, медицинских записей, страховых заявлений и других. Это дообученная модель OpenBMB MiniCPM5-1B, дистиллированная от учителя google/gemma-4-31B; метаданные указывают 837,6 млн параметров, плотную авторегрессионную архитектуру LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. В карточке описаны эксперименты с последовательностной дистилляцией и гибридным конвейером, где модель дополняет детерминированный предварительный разбор. Чекпойнт показал лучший результат среди четырех итераций V3, но уступает опубликованному как релиз V2-FINAL на сопоставимой оценке. Основной сохраняющийся сбой — пропуск полей; сама модель также заметно слабее в извлечении без гибридного конвейера. Автор прямо рекомендует не применять этот чекпойнт в производстве. Лицензия — Apache-2.0.

Модель LRieser/steam-ukraine-political-qwen2.5-3b-merged — дообученная и объединённая версия Qwen2.5-3B-Instruct от LRieser на базе Qwen. Она предназначена для классификации отзывов об играх в Steam, связанных с публичными высказываниями разработчиков о войне России против Украины весной 2022 года. На вход принимает текст отзыва и контекстную подсказку, а в ответ формирует JSON с оценкой политической релевантности, позицией автора отзыва относительно заявления разработчика, типом реакции, кратким обоснованием и уверенностью. Это плотная причинная языковая модель Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена на 40 011 отзывах Steam и 8 272 комментариях к объявлениям; исходные обучающие тексты были переведены на английский, а оценка проводилась на оригинальных языках. В тесте согласие с метками учителя составило 0,953, F1 для выявления политических отзывов — 0,860. Качество ниже для редких классов позиции и формата реакции; F1 политической классификации на русском в тесте составил 0,761. Для корректного формата ответа требуется системный промпт из prompt_system.md. Модель распространяется по Qwen Research License; использование ограничено исследовательскими целями.