I.3Извлечение и структурирование данных

deepset выпустила deepset/roberta-base-squad2-covid — англоязычную модель для извлечения ответов на вопросы по документам о COVID-19. Она основана на deepset/roberta-base-squad2 и дообучена на аннотациях в стиле SQuAD, созданных для CORD-19. Модель использует архитектуру RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для поиска фрагмента ответа в тексте научных публикаций и других документов о COVID-19, в том числе в конвейерах Haystack. В пятифолдовой проверке указаны средние F1 0,499 и top-3 recall 0,802; опубликованный чекпойнт получен на третьем фолде. Лицензия — CC BY 4.0. Результаты проверки показывают, что качество извлечения ответов может быть ограниченным; модель обучена для тематических англоязычных текстов, поэтому её не следует считать универсальной QA-моделью.

SaibaTudo-Eleicao2026 — модель NLU, разработанная для приложения SaibaTudo Eleições 2026. Она дообучена методом QLoRA на базе Qwen2.5-1.5B-Instruct и преобразует вопросы избирателей о всеобщих выборах Бразилии 2026 года в короткий JSON с намерением и упомянутыми сущностями, например должностью, штатом, партией или именем кандидата. Модель работает с текстом на бразильском португальском языке; базовая архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов. Модель предназначена для маршрутизации запросов и извлечения сущностей, а не для выдачи фактов, рекомендаций о кандидатах или прогнозов. Приложение формирует ответы локально на основе открытых данных избирательного органа Бразилии TSE; результат модели проходит повторную проверку, а в производственном сценарии JSON ограничивается грамматикой GBNF. Обучение охватывает формулировки на PT-BR, но модель может ошибаться на редком сленге, экстремальных опечатках и редких именах. Лицензия — MIT.

NYTK разработала модель для определения тональности венгерских предложений и сообщений. Это дообученная для классификации последовательностей модель на базе huBERT, обученная на корпусе Hungarian Twitter Sentiment (HTS). Она присваивает тексту одну из пяти меток: очень негативная, негативная, нейтральная, позитивная или очень позитивная. Модель основана на архитектуре BERT, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов по метаданным; в README для настройки указано ограничение max_seq_length 128. Модель предназначена прежде всего для анализа венгерских текстов, в частности сообщений из соцсетей. В сравнении на HTS5 для huBERT приведён результат 68,99, но метрика не уточнена. Веса опубликованы в формате PyTorch по лицензии Apache 2.0. Классификация может хуже работать на текстах за пределами домена обучающих данных; README не приводит оценок на других жанрах и подробностей метрики.

davanstrien/SmolVLM2-2.2B-Instruct — дообученная с помощью TRL версия мультимодальной модели HuggingFaceTB/SmolVLM2-2.2B-Instruct. Это плотная модель семейства SmolVLM с поддержкой диалогов и обработки изображений; карточка также описывает её как модель для генерации ответов на текстовые запросы. Основной сценарий — ответы на вопросы по изображениям и ведение диалога с визуальным контекстом. Модель предназначена для мультимодальных запросов, где пользователь передаёт изображение и текстовую инструкцию, а модель формирует текстовый ответ. В README приведён пример текстового диалога, но отдельные характеристики обучения и оценки качества этой версии не раскрыты. Доступные веса представлены в формате safetensors; используется библиотека Transformers. Лицензия, размер параметров и длина контекста в предоставленных данных не указаны.

HassanB4/t1_s6_arabert_msa_text_target — классификатор тональности позиции в арабских сообщениях, подготовленный для трека Seen Targets соревнования StanceEval-2026. Модель принимает арабский твит вместе с целевой темой и относит позицию автора к одному из трёх классов: Favor (поддерживает тему), Against (выступает против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Она дообучена на aubmindlab/bert-large-arabertv02 и использует архитектуру BERT для классификации последовательностей; число параметров — 468,2 млн, контекст — до 512 токенов. Модель предназначена для анализа арабских публикаций о заранее встречавшихся в обучении темах, в частности о вакцинах от COVID-19, цифровой трансформации и расширении прав и возможностей женщин. На dev-наборе Mawqif-v2 указана оценка 76,53 Favg2. Модель ориентирована на арабский язык. Распространяется по лицензии Apache-2.0. Результаты относятся к заданному набору тем и не подтверждают качество на новых темах или за пределами описанного сценария.

theworld-cc3m-align-subset-spatial-0-5 — дообученная мультимодальная модель на базе google/gemma-3-4b-it, опубликованная под именем alwinjin8. Карточка указывает архитектуру Gemma3ForConditionalGeneration и формат safetensors; метаданные отмечают поддержку изображений и задачу image-text-to-text. Модель предназначена для сценариев, где требуется совместно обрабатывать изображения и текст и формировать текстовый ответ. Название указывает на связь с пространственными данными и подмножеством CC3M, однако README не описывает датасет, точные задачи, качество или ожидаемые сценарии применения. Лицензия указана как gemma. Следует учитывать условия лицензии Gemma и ограничения базовой модели; карточка не приводит отдельных оценок качества или рекомендаций по применению.

VideoChat-Flash-Qwen2_5-2B_res448 — модель для диалога и ответов на вопросы о видео, разработанная OpenGVLab. Она построена на UMT-L с 300 млн параметров и Qwen2.5-1.5B; общее число параметров по метаданным — 1,5 млрд. Модель обрабатывает видео, используя 16 токенов на кадр, и выдаёт текстовые ответы. В README заявлена поддержка последовательностей примерно до 10 000 кадров; контекст в метаданных указан как 32 768 токенов, а README описывает расширение контекста до 128 тысяч с помощью YaRN. Модель подходит для вопросов о содержании видео и анализа длинных видеозаписей. В README приведены результаты на MVBench, LongVideoBench и VideoMME. Обучающий корпус преимущественно англоязычный: для лучшей работы рекомендуется задавать вопросы по-английски, а понимание китайского описано как базовое. Модель распространяется по лицензии Apache-2.0.

VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений. В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0. Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

xellDart13-extractor_normal GGUF — это набор квантованных файлов модели xellDart13-extractor_normal, опубликованный и подготовленный для квантования организацией featherless-ai-quants. В карточке указано, что модель предназначена для генерации текста и поставляется в формате GGUF, совместимом с соответствующими инструментами локального запуска. Доступны варианты квантования IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 3,0 до 8,1 ГБ, поэтому варианты позволяют выбирать между меньшими требованиями к памяти и потенциально более высоким качеством при использовании менее агрессивного квантования. Архитектура, число параметров, поддерживаемые языки, размер контекста, дополнительные модальности, результаты тестирования и конкретные сценарии применения в README не указаны. Сильной стороной набора является широкий выбор уровней квантования и возможность использования модели в ресурсоограниченных средах. Ограничения связаны с отсутствием подробной информации о возможностях и качестве исходной модели, а также рекомендаций по выбору варианта. Лицензия модели и условия её использования в предоставленных данных не указаны.

Это модель классификации текста, созданная с помощью AutoTrain на основе Luciano/bertimbau-base-finetuned-brazilian_court_decisions. Она предназначена для отнесения текстов к категориям; исходная модель специализируется на классификации решений бразильских судов на португальском языке, однако карточка этой версии не уточняет набор меток и целевую область. Архитектура — BERT для классификации последовательностей, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. В README приведены метрики на валидации: accuracy и micro-F1 около 0,61, macro-F1 около 0,55. Эти результаты указывают на умеренное качество и сами по себе не подтверждают пригодность для конкретного набора данных или рабочего процесса. Модель сохранена в формате safetensors. Лицензия в доступных сведениях не указана.

CogVLM Grounding Base — базовая версия открытой визуально-языковой модели CogVLM, разработанной командой Zhipu AI. Архитектура включает визуальный энкодер ViT, MLP-адаптер, предварительно обученную языковую модель и модуль visual expert; указанная конфигурация содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Файлы модели представлены в формате safetensors. Модель предназначена для диалога по изображениям и кросс-модальных задач, включая ответы на вопросы по изображению, описание сцен и визуальную локализацию объектов. README сообщает о результатах семейства CogVLM на ряде бенчмарков captioning, VQA и grounding, но не приводит отдельные результаты именно этой версии Grounding Base. Метаданные Hugging Face классифицируют её как text-generation; при практическом использовании следует учитывать этот тег и проверять совместимость с нужным программным обеспечением. Лицензия в предоставленных данных не указана.

DTA Character 6-gram — компактная символьная языковая модель проекта histde для оценки качества OCR исторических немецких текстов. Она обучена на транскрипциях Deutsches Textarchiv, охватывающих печатные тексты 1500–1900 годов. Модель использует символьные 6-граммы со сглаживанием stupid backoff; вместо обучаемых параметров в файле safetensors хранятся таблицы частот. Подсчёт оценок выполняется на CPU, а интерфейс совместим с causal language models библиотеки Transformers. Модель присваивает текстовым страницам оценку bits-per-character (bpc): более низкая оценка обычно соответствует чистому историческому немецкому, более высокая — ошибкам распознавания, искажениям и шуму. Она предназначена для ранжирования страниц в крупных оцифрованных газетных корпусах. Токенизатор нормализует исторические символы, регистр, цифры, переносы и пробелы, поэтому оценка намеренно не учитывает ошибки регистра и цифр. В испытании на контролируемых OCR-искажениях оценки росли с уровнем повреждения; результаты также хорошо коррелировали с KenLM на проверенной выборке. Модель ориентирована на печатный исторический немецкий и может давать завышенные оценки для современного немецкого, других языков и непечатного текста. Она слабо замечает перестановку целых слов, а bpc подходит для сравнения страниц внутри одной версии модели, но не является калиброванной вероятностью и не переносится напрямую на другие оценщики. Генерация технически поддерживается, однако основное назначение модели — оценка качества. Код и таблицы частот выпущены под Apache License 2.0; исходный корпус имеет различные лицензии по документам.

prajwal55/gemma-2-2b-legal-merged — дообученная пользователем модель Google Gemma 2 2B Instruct для ответов на вопросы по предоставленным фрагментам законодательства США и документам SEC. Она использует архитектуру Gemma 2 с 2,7 млрд параметров, поддерживает диалог и принимает текстовый вопрос вместе с исходным отрывком, чтобы сформировать текстовый ответ. Контекст модели — 8192 токена; заявлена поддержка английского языка. Модель дообучена методом 4-битного QLoRA, после чего веса адаптера объединены с базовой моделью и сохранены в FP16. Автор сообщает о повышенной точности ответов и числовых данных на тестовой выборке, однако отмечает, что часть улучшения метрик может объясняться усвоением стиля ответов модели-учителя. Для полезного ответа необходимо передавать исходный фрагмент: без него модель может выдумывать сведения. Обучающие данные синтетические и получены от одного учителя, поэтому модель наследует его смещения; автор также сообщает, что некоторые ответы остаются ошибочными. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Gemma.

GLaMM-FullScope — мультимодальная модель семейства LLaVA, разработанная MBZUAI и дообученная на открытых наборах данных для объединения возможностей GLaMM. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, связанные с содержимым изображения. Модель предназначена для диалогов с привязкой ответов к областям изображения, сегментации объектов по выражениям, описания отдельных регионов и целых изображений, а также визуальных ответов на вопросы. В метаданных указаны 6,6 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. Карточка не приводит оценки качества или подробностей об ограничениях; возможности сегментации заявлены в описании, однако способ представления масок и конкретные входные форматы не уточнены.

Trilogix1/Hugston-microsoft-Fara-7B — конвертированная и квантизированная в GGUF версия модели Fara-7B, подготовленная командой Hugston с помощью Quanta. В README Fara-7B описана как компактный мультимодальный агент для управления компьютером, разработанный Microsoft Research: модель принимает цель пользователя и снимки экрана, а затем генерирует текст с планом и действиями для браузера. В метаданных указана базовая модель Qwen/Qwen2.5-VL-7B-Instruct, дообучение и формат GGUF F16. Модель предназначена для пошаговой автоматизации веб-задач: поиска информации, покупок, бронирования поездок и ресторанов, а также типовых действий в аккаунтах. Архитектура — декодерная мультимодальная модель на 7 млрд параметров с заявленной длиной контекста 128 тыс. токенов; вход включает текст и изображения экранов, выход — текст с действиями и аргументами инструментов. README указывает поддержку только английского языка и лицензию MIT. В описании предусмотрены защитные ограничения: модель должна останавливаться перед действиями, требующими разрешения пользователя или чувствительных данных, например оплатой, отправкой писем и подачей заявок. Как преобразованная модель Fara-7B, репозиторий описывает её как proof-of-concept; качество и безопасность действий следует проверять в целевой среде. Метаданные классифицируют её как text-classification, тогда как README указывает text-generation; для сценария агента основная задача — генерация текста.

Huihui-DeepSeek-V4-Flash-Vision-Exp-abliterated-GGUF — экспериментальная версия модели DeepSeek-V4-Flash-Vision-Exp, созданная huihui.ai методом abliteration. Модель предназначена для задач image-text-to-text, то есть обработки текстовых и визуальных входных данных с генерацией текста. README не содержит точных сведений о размере, внутренней архитектуре, поддерживаемых языках и полном наборе модальностей базовой модели. Главная особенность версии — существенно сниженная фильтрация отказов и ограничений на содержание ответов. Это может быть полезно для исследовательских экспериментов и тестирования поведения моделей, но одновременно повышает вероятность чувствительных, спорных или неподходящих результатов. В README указано, что абляции применены к слоям 11–28, при этом экспертные модули не аблировались; разработчики характеризуют реализацию как грубую proof-of-concept. Для запуска рекомендуется использовать актуальную версию llama.cpp и формат GGUF; в примере задан контекст 262144 токена, однако это не подтверждает максимальный контекст модели. Модель не имеет гарантированного уровня безопасности и не рекомендуется для публичных или высокорисковых production-сценариев без строгого мониторинга и ручной проверки результатов. Пользователь несёт ответственность за соблюдение законодательства и этических требований. Лицензия — MIT.

VenkatManda/KaggleQuestionsModelGPT2 — языковая модель на базе GPT-2, дообученная разработчиком Venkat на данных Kaggle с вопросами и ответами. Карточка описывает её как модель для ответов на вопросы с контекстом: на вход подаются вопрос и текст, из которого нужно извлечь ответ. Модель построена на архитектуре GPT-2 и использует библиотеку Transformers; максимальный контекст составляет 1024 токена. В метаданных указан английский язык и формат весов safetensors. Модель предназначена для экспериментов с ответами на вопросы по предоставленному контексту. README показывает пример загрузки через AutoModelForQuestionAnswering, но метаданные классифицируют модель как text-generation; поэтому совместимость заявленного способа использования и опубликованной архитектуры следует проверить перед применением. Модель распространяется по лицензии Apache-2.0.

kikori — модель классификации тональности относительно указанного человека в португалоязычном тексте. Она принимает пару «имя человека и текст» и предсказывает, относится ли текст к этому человеку негативно, нейтрально или позитивно. Модель разработана для проекта rashomon; дообучена на BERTimbau Base, бразильской португальской версии BERT, с помощью 13 778 примеров, размеченных LLM-учителем. Архитектура — BertForSequenceClassification, размер — 136,1 млн параметров, контекст — до 512 токенов по метаданным; описанный в README контракт задаёт max_length 256. Модель рассчитана на анализ упоминаний людей и сопоставление тональности публикаций из разных источников, например новостных лент и социальных сетей. Выход содержит оценки для классов neg, neu и pos, а итоговый балл находится в диапазоне от −10 до 10. Доступны веса safetensors и ONNX, включая динамическую квантованную версию int8. По holdout-набору из 578 пар точность fp32 и int8 составляет 0,78; на отдельном наборе отзыв положительной тональности составляет 0,73 для fp32 и 0,71 для int8. Модель имеет известное смещение по имени человека: обучающие метки неодинаково распределены для разных персон, поэтому она может учитывать имя как априорный сигнал. Авторы рекомендуют сравнивать источники на текстах об одном и том же человеке, а не сравнивать людей между собой. Лицензия — MIT.

KM-BERT — корейская BERT-модель, предварительно обученная для обработки медицинских текстов. Владелец репозитория сообщает, что разместил копию весов исходной KM-BERT в формате Hugging Face; токенизатор взят из snunlp/KR-BERT-char16424. По архитектуре это плотная модель BertModel примерно на 125,9 млн параметров с контекстом до 512 токенов. Модель предназначена для извлечения векторных представлений корейского медицинского текста и может служить основой для задач сходства медицинских текстов, распознавания медицинских сущностей и других задач обработки корейского языка в медицине. В описании обучения указаны медицинские учебники, новостные материалы о здоровье и научные медицинские статьи; также упомянуты внутренние и внешние оценки на медицинских наборах данных. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных сведениях не указана. Результаты для конкретных прикладных задач потребуют проверки на целевых данных; README не приводит численных метрик.

Narrativa разработала испаноязычную модель для юридических текстов на архитектуре Longformer и RoBERTa. Это модель с 153,2 млн параметров, дообученная на задаче masked language modeling на корпусах испанского юридического домена и основанная на чекпойнте RoBERTalex. Она принимает последовательности длиной до 4 098 токенов и использует локальное скользящее внимание вместе с настраиваемым глобальным вниманием. Модель предназначена для заполнения маскированных токенов и получения представлений длинных испанских юридических документов; она может служить основой для адаптации к прикладным задачам обработки юридического текста. Доступна в формате PyTorch по лицензии MIT. В README отмечено, что модель может содержать смещения и нежелательные искажения; при использовании производных систем ответственность за снижение рисков и соблюдение применимых норм лежит на пользователе.

LLaDA-V — модель для диалога по изображениям, разработанная авторами проекта LLaDA и представленная в работе «LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning». Она сочетает визуальное понимание с диффузионной языковой моделью и предназначена для ответов на вопросы об изображениях и выполнения визуальных инструкций. Модель имеет плотную архитектуру LlavaLLaDAModelLM и содержит 7,5 млрд параметров. Она принимает изображения и текст, выдаёт текст, поддерживает контекст до 16 384 токенов и опубликована в формате safetensors для Transformers. В README авторы характеризуют её как конкурентоспособную модель, превосходящую другие диффузионные мультимодальные языковые модели; независимые сравнительные результаты в карточке не приведены. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Модель относится к семейству LLaDA; более поздняя LLaDA-o упомянута в README отдельно и не является этой моделью.

Карточка модели OrchardPair/Llama-3.2-11B-Vision-Instruct-4bit на Hugging Face совпадает с карточкой mlx-community/Llama-3.2-11B-Vision-Instruct-4bit, поэтому описание составлено по ней. Это 4-битная конверсия модели Llama 3.2 11B Vision Instruct в формат MLX, подготовленная сообществом mlx-community из unsloth/Llama-3.2-11B-Vision-Instruct с помощью mlx-vlm 0.1.0. В метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct; архитектура — плотная MllamaForConditionalGeneration с 11 млрд параметров. Модель предназначена для диалога с изображениями: она принимает текстовые запросы и изображения, отвечает на вопросы о визуальном содержимом и ведёт беседу. В карточке заявлена поддержка английского языка, а среди возможностей указаны чат, зрение и интерфейс вызова инструментов. Для запуска в MLX README предлагает использовать mlx-vlm. Модель распространяется по лицензии Llama 3.2. Это конверсия в 4-битный формат MLX, однако метаданные также указывают файлы safetensors; точные ограничения лицензии и результаты оценки качества в предоставленной карточке не описаны.

alan-yahya/MatBERT — это предварительно обученная BERT-модель для обработки научных текстов по материаловедению. Репозиторий модели разработан группой lbnlp при участии исследователей CEDER и опубликован пользователем alan-yahya на Hugging Face; сам пользователь указывает, что загрузил модель для удобства и не является её создателем. Модель предназначена для понимания терминологии материаловедения, анализа абзацев научных публикаций, masked language modeling и последующей адаптации к задачам классификации, извлечения сущностей и другим задачам NLP. Она обучена на корпусе примерно из 2 миллионов научных статей и около 50 миллионов отфильтрованных абзацев. Используются варианты matbert-base-cased и matbert-base-uncased с BERT-архитектурой и специализированными WordPiece-токенизаторами, лучше обрабатывающими химические формулы и обозначения материалов. Точные число параметров и размер контекстного окна для размещённой версии надёжно не указаны. Сильная сторона MatBERT — специализация на материаловедении и более подходящая токенизация научных терминов и формул по сравнению с обычным BERT; опубликованы результаты на GLUE и примеры рассуждений о синтезе материалов для литий-ионных батарей. Это не генеративная модель общего назначения, а encoder-модель, поэтому для прикладных задач обычно требуется fine-tuning или специальная NLP-голова. На странице модели указана лицензия Apache-2.0; исходный репозиторий также содержит отдельное указание на MIT License, поэтому условия следует проверять для конкретного способа распространения.

Это англоязычная модель-энкодер для поиска документов по вопросам индийского налогообложения и финансов. Она создана на основе sentence-transformers/all-MiniLM-L6-v2 и дообучена с помощью LoRA; число параметров в метаданных — 25,9 млн. Модель строит плотные векторные представления предложений, чтобы находить подходящие выдержки из законов и финансовых документов для систем поиска и RAG. Модель рассчитана на семантический поиск по вопросам и коротким документам. В README для тестового набора из 839 запросов сообщается о росте nDCG@10 на 0,145 относительно исходной модели; оценка усреднена по трём запускам. Лицензия — Apache-2.0. Модель поддерживает английский язык, а длина контекста по метаданным составляет 512 токенов. README указывает более короткий лимит в 256 токенов, поэтому при работе следует сверяться с используемой конфигурацией. Качество поиска на хинди и смешанном хинди-английском языке снижается; перенос на другие юридические или технические области не гарантирован.

Koichi Yasuoka разработал ModernBERT-base для японского языка, предварительно обученную на текстах 青空文庫. Модель содержит 160,2 млн параметров, использует архитектуру ModernBERT для masked language modeling и имеет контекстное окно до 8192 токенов. Модель предназначена для заполнения пропусков в японском тексте и как основа для дообучения под задачи разметки частей речи, синтаксического анализа зависимостей и другие задачи обработки японского языка. Для загрузки используются Transformers и PyTorch. Модель распространяется по лицензии Apache-2.0. Качество в перечисленных downstream-задачах зависит от дообучения; в README приведены сведения о предобучении на литературном корпусе, но нет оценок качества на прикладных тестах.

Molmo 7B-O — открытая мультимодальная модель зрения и языка, разработанная Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы: подходит для диалога об изображениях, ответов на вопросы по визуальному содержимому и описания сцен. Модель использует плотную архитектуру MolmoForCausalLM, содержит 11,2 млрд параметров и обрабатывает контекст до 4096 токенов. Визуальная часть основана на OpenAI CLIP ViT-L/14 с разрешением 336, а языковая — на OLMo; карточка указывает связи с allenai/OLMo-7B-1124 и openai/clip-vit-large-patch14-336. Обучение проводилось на наборе PixMo из миллиона тщательно отобранных пар изображение–текст. Указана поддержка английского языка. Это предварительный вариант выпуска Molmo. Карточка сообщает о сильных результатах среди мультимодальных моделей сопоставимого размера, но не приводит здесь конкретных показателей. Модель распространяется по лицензии Apache 2.0; разработчик указывает исследовательское и образовательное применение и ссылается на правила ответственного использования.

vjosap/moralBERT-predict-harm-in-text — модель классификации текста, опубликованная пользователем Vjosa Preniqi на Hugging Face. Она предназначена для оценки текста по категории морального вреда и может использоваться для выявления содержания, связанного с причинением вреда. В карточке указаны задача text-classification и лицензия MIT. Подробности об архитектуре, размере, языках, обучающих данных и длине контекста в доступных сведениях не подтверждены, поэтому их нельзя надёжно описать. Модель принимает текст и выдаёт результат классификации; применимость предсказаний зависит от данных и контекста, на которых её обучали.

lusxvr/nanoVLM-460M-8k — мультимодальная модель для работы с изображениями и текстом, доступная в формате Safetensors и рассчитанная на использование через библиотеку nanoVLM. В README приведён пример загрузки модели из репозитория с помощью класса VisionLanguageModel. Модель предназначена для задач image-text-to-text: она принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Карточка не описывает конкретные сценарии, языки или ограничения качества. Репозиторий распространяется по лицензии MIT.

nara-qwen-3.5-0.8b — мультимодальная модель на базе Qwen3.5-0.8B, дообученная автором wjbmattingly для транскрибации англоязычных архивных документов США периода Войны за независимость. По изображению страницы она распознаёт рукописный и печатный текст, возвращая по одной строке на каждую физическую строку документа в исходном порядке. Модель предназначена для поиска и чтения архивных материалов в проектах по культурному наследию и цифровым гуманитарным наукам. Это полное дообучение плотной модели Qwen3.5-0.8B с 852 985 920 параметрами. Обучение включало 38 756 страниц из 1 407 документов Национального архива США: заполненные от руки печатные формы, каталожные карточки и страницы с американским курсивом XVIII–XIX веков. В проверке на 762 страницах из документов, не представленных в обучении, символьная ошибка CER составила 0,2868, а словная ошибка WER — 0,3379. Модель лучше подходит для близкого по виду материала из той же коллекции, чем для универсального распознавания английского почерка. Главное ограничение — узкая обучающая коллекция и заметно более слабое качество на редких каталожных карточках: модель может многократно распознавать линии печатной сетки вместо остановки. Перед использованием автор рекомендует задать repetition_penalty=1.1 и отключить thinking через enable_thinking=False. Распознанные имена и даты требуют проверки человеком; для документов других архивов, языков, жанров и эпох качество может снижаться. Лицензия — Apache-2.0.

Neurobinary — модель классификации текста на базе microsoft/deberta-v3-base, дообученная автором репозитория ajrayman. Она содержит около 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. В метаданных Hugging Face задача указана как text-classification; конкретные классы и прикладная область в карточке не описаны. На тестовой выборке автор сообщает Accuracy 0,746, Precision 0,7184, Recall 0,8080, F1 0,7606 и AUC 0,8251. Данные обучения обозначены как None, а подробности о наборе данных и сценариях применения отсутствуют, поэтому результаты нельзя уверенно переносить на другие данные. Модель распространяется по лицензии MIT.