I.3Извлечение и структурирование данных

Parakeet TDT 0.6B V2 — англоязычная модель автоматического распознавания речи от NVIDIA. Она преобразует монофоническое аудио в текст с пунктуацией, заглавными буквами и временными метками на уровне слов. Модель содержит 600 млн параметров и использует архитектуру FastConformer-TDT с декодером TDT; работает с аудиофрагментами длительностью до 24 минут за один проход. Модель предназначена для транскрибации разговоров, голосовых команд, песенных текстов и записей для субтитров или голосовой аналитики. По данным разработчика, она хорошо распознаёт числа в речи; скорость зависит от длительности аудио и размера пакета. Для запуска используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Вход — монофоническое аудио 16 кГц, в карточке указаны форматы WAV и FLAC. Модель доступна для коммерческого и некоммерческого использования по лицензии CC-BY-4.0. Карточка не сообщает о мерах снижения смещений; точность для языков, отличных от английского, не заявлена.

Pebblo Classifier — модель DAXA.AI для классификации англоязычных документов соглашений по 21 категории. Она предназначена для автоматической сортировки договорных документов в организациях и может применяться в системах управления документами и RAG-контурах. Модель построена на DistilBERT и дообучена на базе distilbert-base-uncased. По карточке, обучающая выборка содержит 141 055 примеров; контекст модели — до 512 токенов. На тестовой выборке указаны accuracy 0,8424 и F1 0,8505. Лицензия — MIT. Качество зависит от соответствия входных документов обучающим категориям и распределению данных. В карточке также отмечена возможность смещений; для других типов документов или языков показатели не приведены.

PipableAI pip-library-etl-1.3b — языковая модель для генерации кода и документации к нему. Разработчики сообщают, что модель обучали с использованием softmax cross entropy, модифицированного policy gradient и Q loss в EM-схеме. В Hugging Face она представлена как плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для генерации вызовов Python-функций по вопросу и docstring или коду, создания docstring для функций и модулей, а также генерации SQL-запросов по схеме и вопросу. Карточка также отмечает разговорный режим и генерацию кода; язык карточки и языковой тег — английский. Модель можно использовать через библиотеку pip_library_etl или Transformers. Лицензия — Apache-2.0. README заявляет о качестве, сопоставимом с более крупными моделями и GPT-3.5, но не приводит метрик или подробностей оценки, поэтому это утверждение нельзя считать независимой оценкой. Описанные сценарии сосредоточены на Python и SQL; подтверждений широких языковых или предметных возможностей карточка не даёт.

Sheltron Privacy Filter Ettin 32M — компактная модель Sheltron для обнаружения фрагментов текста, содержащих приватные данные и секреты. Это классификатор токенов на базе ModernBERT, дообученный на jhu-clsp/ettin-encoder-32m; модель содержит около 31,9 млн параметров и поддерживает контекст до 7999 токенов по метаданным. README указывает, что обучение и оценка проводились на последовательностях длиной 512 токенов, поэтому более длинный текст рекомендуется обрабатывать перекрывающимися окнами по 512 токенов с шагом 128. Модель размечает восемь категорий: номера счетов, адреса, даты, электронную почту, имена людей, телефонные номера, URL и секреты. Она предназначена для быстрого скрининга электронной почты, сообщений, переписок и команд, а её выход совместим по формату с OpenAI Privacy Filter. Доступны контрольная точка Safetensors FP32 и варианты ONNX, включая FP16; для ONNX нужен ONNX Runtime. Лицензия — Apache-2.0. Для воспроизведения метрик и корректного декодирования README предписывает применять ограниченный алгоритм Viterbi с калибровкой из viterbi_calibration.json, а не выбирать метки для каждого токена независимо. Базовая модель — англоязычный энкодер; в метаданных указан английский язык.

Qwen2.5-0.5B-Instruct-GPTQ-Int4 — компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это GPTQ-квантизированная 4-битная версия базовой модели Qwen2.5-0.5B-Instruct, предназначенная для генерации текста и диалоговых сценариев, включая чат-ассистентов, следование инструкциям, работу со структурированными данными и формирование структурированных ответов, в том числе JSON. Модель также ориентирована на задачи программирования и математики, однако README не содержит подробных результатов оценки. Модель относится к causal language models и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV attention и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд не являются эмбеддингами, 24 слоя и GQA с 14 головами для Q и 2 для KV. Поддерживается контекст до 32 768 токенов и генерация до 8192 токенов. Модель текстовая, поддерживает более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, арабский и другие. Ключевые преимущества — небольшой размер, 4-битное представление, поддержка длинного контекста, многоязычность и улучшенное следование инструкциям. Ограничения README не раскрывает количественно; как компактная модель с 0,49 млрд параметров, она может уступать более крупным моделям в сложных рассуждениях и качестве генерации. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется актуальная версия библиотеки transformers; версии ниже 4.37.0 не поддерживают архитектуру Qwen2.

Qwen2.5-14B-Instruct-Abliterated — производная версия Qwen/Qwen2.5-14B-Instruct от sci4ai, созданная удалением поведения отказа с помощью изменения весов на основе активаций. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и диалогов; размер — 14 млрд параметров, контекст — до 32 768 токенов. README рекомендует её для агентных сценариев и вызова инструментов, отмечая следование форматам вызовов инструментов и многошаговые рассуждения. При обработке модели удаляли направления отказа в выходных проекциях attention и MLP в 47 из 48 слоёв. Поэтому модель может отвечать на запросы, которые базовая модель отклонила бы; качество и безопасность ответов не гарантированы. Модель распространяется по лицензии Apache-2.0. README приводит исследовательскую оговорку и возлагает ответственность за использование на пользователя.

Это 4-битная версия модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель принимает текст и изображения и формирует текстовые ответы; архитектура — плотная Qwen2.5-VL для условной генерации. Размер базовой модели — 3,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалогового анализа изображений и визуальных вопросов и ответов. Её можно использовать для описания изображений, извлечения сведений из визуальных материалов и построения структурированных ответов; метаданные также отмечают интерфейс вызова инструментов. В карточке сообщества подробности возможностей отсылаются к оригинальной карточке Qwen2.5-VL-3B-Instruct. Лицензия в предоставленных сведениях не указана.

ashuaria/Qwen3.8-Flash-Next-GGUF-FineTuning — GGUF-версия экспериментальной мультимодальной модели Qwen3.8-Flash-Next, разработанной командой Qwen и опубликованной для запуска через llama.cpp или Unsloth Desktop. Модель предназначена для задач обработки текста и изображений, включая мультимодальные приложения и агентские сценарии с длинным контекстом. Это авторегрессионная языковая модель с vision encoder, построенная на гибридной архитектуре Qwen3.8-Flash-Next. Она использует Gated DeltaNet и Qwen Sparse Attention, Gated Residual, n-gram embedding и Mixture of Experts. Заявлено 125 млрд параметров, из которых активируется 6 млрд, дополнительно используются 51 млрд параметров n-gram embedding и 4 млрд для MTP. Модель содержит 48 слоёв, 512 экспертов с 10 маршрутизируемыми и одним общим активируемым экспертом, а её нативный контекст составляет 262 144 токена с возможностью расширения до 1 млн токенов. Сильными сторонами являются высокая эффективность активации параметров, поддержка длинного контекста, разреженное внимание на уровне блоков и сочетание текстовой и визуальной обработки. README не указывает точный список поддерживаемых языков, конкретные значения квантования GGUF, системные требования или результаты бенчмарков. Модель распространяется по лицензии qwen-community-1.0; указано, что это экспериментальный preview архитектуры, которая должна лечь в основу Qwen4, поэтому совместимость и стабильность следует проверять в целевом окружении.

ReadAll / ReadTwice 14B — Stage A step230 — это промежуточный чекпойнт модели Qwen2.5-14B-Instruct, дообученной командой Xirui1208 на 230 шагах supervised fine-tuning. Модель с плотной архитектурой Qwen2 содержит около 14,77 млрд параметров, сохранена в BF16 и использует исходную конфигурацию контекста на 32 768 токенов. Она предназначена для генерации текста и диалогов, в том числе для ответов на вопросы по длинным документам с протоколом ReadAll / ReadTwice: сначала модель просматривает фрагменты и строит план, затем повторно обрабатывает фрагменты с вопросом и накапливаемой памятью. Для обработки длинных документов требуется внешний цикл, который порционно подаёт фрагменты и переносит память между вызовами; заявленные результаты на документах длиной 56K и 112K токенов получены именно с таким циклом и не означают, что модель принимает весь документ за один вызов. Чекпойнт находится на ранней стадии обучения: он не включает Stage B или RL-обновления и является промежуточным состоянием расписания из 286 шагов. Выпущен под лицензией Apache-2.0.

JeremiahZ/roberta-base-qqp — модель классификации текстовых пар, созданная дообучением RoBERTa-base на наборе GLUE QQP. Она предназначена для определения, задают ли два английских вопроса один и тот же вопрос, например, при поиске дубликатов в FAQ или объединении похожих обращений. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текстовые входные данные с контекстом до 514 токенов. В карточке указаны результаты оценки на тестовом наборе: accuracy 0,9153 и F1 0,8867. Модель поддерживает английский язык и опубликована в формате PyTorch. Лицензия — MIT. Карточка не описывает дополнительные сценарии использования и ограничения; качество на других данных может отличаться от результатов на GLUE QQP.

RoBERTo — модель классификации текста, разработанная absltnull для различения боснийского, хорватского и сербского языков. Это дообученная XLM-RoBERTa-base с архитектурой Transformer для классификации последовательностей и 305,2 млн параметров. Модель принимает текст и возвращает одну из меток: bs, hr или sr. Контекст модели составляет 514 токенов по метаданным; в README указано, что при обучении использовались последовательности до 256 токенов. Модель предназначена для определения языка в наборах данных и балансировки корпусов на боснийском, хорватском и сербском. В README заявлена точность свыше 91% на неоднозначных и однозначных примерах тестирования, однако близость этих языков создаёт ошибки, особенно при различении боснийского и хорватского текста без характерных языковых признаков. Обучающие данные взяты из rsateam/sr-bs-hr-language-id и размечены по источнику публикации. Модель распространяется по лицензии MIT.

RoBERTo-v2 — модель классификации текста для определения боснийского, хорватского и сербского языков. Её разработал автор репозитория absltnull как дообученную версию absltnull/RoBERTo на основе XLM-RoBERTa Base. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает до 514 токенов. Веса сохранены в формате safetensors; лицензия — MIT. Модель предназначена прежде всего для определения языка в текстах на латинице, включая формальные и неформальные тексты. В README сообщается о точности около 87% на латинском тестировании; она лучше различает хорватский и сербский, чем боснийский, который чаще путает с ними. Для кириллицы модель не подходит: автор предупреждает о сильном смещении предсказаний в сторону сербского. Короткие и неоднозначные тексты, эмодзи, символы и тексты на языках вне этой языковой группы также могут приводить к ошибкам.

Same news story — модель на базе Sentence Transformers, разработанная Dell Research и Harvard для поиска новостных статей об одном и том же событии. Она кодирует предложения и абзацы в плотные векторы размерности 768; по близости векторов можно оценивать сходство статей, находить материалы о той же истории и группировать их. Модель обучена на парах статей из агрегатора AllSides: статьи из подборок об одном событии использовались как положительные примеры, а тематически и сюжетно несвязанные пары — как отрицательные. Архитектура MPNet содержит 136,7 млн параметров и принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и кластеризации новостей по событию. Она выдаёт эмбеддинги, а не готовые метки о том, относятся ли две статьи к одной истории, поэтому для такого решения нужно сравнивать векторы или строить отдельный кластеризатор. Репозиторий распространяется по лицензии CC BY 2.0.

Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

mrm8488/setfit-mpnet-base-v2-finetuned-spam-detection — модель Sentence Transformers на архитектуре MPNet, разработанная автором mrm8488 и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. В метаданных указан размер 136,7 млн параметров, библиотека PyTorch и контекст до 514 токенов. Модель можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Несмотря на название репозитория, README описывает получение эмбеддингов, а метаданные не подтверждают отдельную задачу классификации спама. Модель принимает текст и выдаёт векторы. README указывает обучение с CosineSimilarityLoss; сведений о поддерживаемых языках и лицензии в предоставленных данных нет.

cnmoro/static-nomic-eng-ptbr-tiny — компактная статическая модель эмбеддингов, созданная автором репозитория с помощью Tokenlearn на основе nomic-embed-text-v2-moe. Она преобразует текстовые passages в векторы размерностью 50 и предназначена для семантического поиска и извлечения документов на английском и португальском языках. Модель обучалась примерно на 20 млн фрагментов текста, включая англоязычный корпус MS MARCO и набор португалоязычных триплетов. Модель использует архитектуру Model2Vec StaticModel и распространяется в формате safetensors; лицензия — Apache-2.0. Она подходит для сценариев, где важны компактные эмбеддинги для поиска и сопоставления текстов. Карточка называет её более минималистичной версией cnmoro/static-nomic-eng-ptbr, но не приводит сравнительных результатов качества.

TEMPO — дообученная аудиоязыковая модель на базе NVIDIA Audio Flamingo 3, разработанная авторами проекта TEMPO. Она предназначена для распознавания речи с временными метками, определения говорящих, привязки текстовых запросов к интервалам аудио, плотного описания звуковых событий и анализа музыки. Модель принимает аудио и формирует текст с временными метками; единственный тег задачи в запросе задаёт требуемое поведение. В основе — аудиокодировщик Whisper-large и Qwen2-7B, объединённые проектором; в этом чекпойнте применены два этапа SFT и временной проектор. Модель рассчитана на английский язык. Словарь меток времени ограничивает интервалы 60 секундами, поэтому более длинные записи нужно разбивать на фрагменты. Распознавание в многоголосых записях и оценка аккордов остаются неточными; метки говорящих согласованы внутри записи, но условны между разными записями. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели и лицензией проекта.

TrustSQL-4B — дообученная модель для преобразования запросов на естественном языке в SQL, разработанная на базе Qwen3-4B в рамках работы TRUST-SQL. Она предназначена для работы с неизвестными схемами баз данных и использует многошаговое взаимодействие с инструментами: исследует схему, предлагает решение, формирует запрос и подтверждает его. Модель построена на архитектуре Qwen3ForCausalLM и содержит около 3,7 млрд параметров; длина контекста — 40 960 токенов. Модель обучалась в два этапа: начальная настройка на примерах и оптимизация методом GRPO с учётом фаз взаимодействия. В README приведены результаты на BIRD-Dev, Spider-Test и Spider-DK в сценарии неизвестной схемы. Для работы требуется оркестратор с настроенной средой инструментов. Модель обучена и оценена на бенчмарках SQLite, поэтому перенос на другие СУБД может требовать проверки. Перед использованием в чувствительных базах или базах с правом записи следует проверять сгенерированный SQL. Лицензия — Apache-2.0.

Это модель SentenceTransformer на архитектуре BERT, дообученная командой trmteb на базе dbmdz/bert-base-turkish-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Максимальная длина входной последовательности — 512 токенов; используется mean pooling.

HAMMALE разработала компактный классификатор изображений документов на базе ViT-Tiny в рамках исследовательской стажировки в Laboratory of Complex Systems, Ecole Centrale Casablanca. Модель обучена методом дистилляции знаний от microsoft/dit-large-finetuned-rvlcdip на наборе RVL-CDIP и предназначена для отнесения изображений документов к 16 категориям, включая письма, формы, счета, резюме, научные публикации и презентации. В карточке указана точность 0,9210. В метаданных размер модели составляет 7,1 млн параметров; README приводит оценку около 5,5 млн и сообщает, что модель примерно в 55 раз меньше учителя. Модель работает с изображениями и выдаёт классы документов. Лицензия — Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

tabiya/all-MiniLM-L6-v2-occupation-fine-tuned — модель на архитектуре BERT, созданная на базе семейства all-MiniLM-L6-v2 и дообученная для работы с предложениями и абзацами. Она преобразует текст в плотные эмбеддинги размерностью 384 и подходит для семантического поиска и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Модель можно применять для поиска по смыслу в текстах об occupation и для группировки похожих текстовых описаний. README указывает на обучение с MegaBatchMarginLoss, но не приводит подробностей обучающих данных и результатов оценки. Лицензия в предоставленных данных не указана.

pankajrajdeo/Bioformer-8L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-2-MSMARCO-Epoch-2 — модель Sentence Transformer на базе BERT, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов с помощью косинусного сходства. В README указано обучение на парах anchor–positive с MultipleNegativesRankingLoss; метаданные отмечают возможность извлечения признаков и вычисления сходства предложений. Модель содержит 50,3 млн параметров, принимает последовательности длиной до 512 токенов и использует среднее объединение токеновых представлений. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README названы Bioformer, UMLS, PubMed и PMC в идентификаторе модели, но описание обучения говорит о наборе parquet и не подтверждает отдельно медицинскую специализацию или языковой состав. Лицензия в предоставленных данных не указана.

davanstrien/dataset-rows16-task-classifier-4096 — дообученный Liquid AI энкодер для многометочной классификации текстовых строк по категориям задач, связанным с моделями машинного обучения. Модель построена на LiquidAI/LFM2.5-Encoder-350M; число параметров — 444,6 млн, нативная длина контекста — 128 000 токенов. Для предсказания используется классификационная голова с усреднением представлений энкодера, а набор меток включает 35 категорий, среди них распознавание речи, генерация текста, классификация изображений и ответы на вопросы. Модель предназначена для автоматической разметки описаний и строк датасетов по нескольким категориям задач одновременно. На оценочном разбиении F1 micro составил 0,634 при пороге 0,5 и 0,646 при индивидуально настроенных порогах. Для загрузки требуется trust_remote_code=True; README отмечает, что для обслуживания через vLLM нужна стандартная архитектура. Лицензия в предоставленных данных не указана.

ClimateBERT — дообученная модель на базе RoBERTa с 95,4 млн параметров и классификационной головой для определения климатической тематики абзацев. Её разработчики дообучили языковую модель climatebert/distilroberta-base-climate-f на наборе данных climatebert/climate_detection. Модель предназначена для классификации текстовых абзацев как связанных или не связанных с климатом. Она принимает текст и выдаёт метку класса. Поддерживает английский язык, контекст — до 514 токенов. Использовать её можно, например, для отбора климатических материалов в корпусах документов и новостных текстах. Модель распространяется по лицензии Apache-2.0. Она обучалась на абзацах, поэтому может хуже работать с отдельными предложениями.

Document Seal Detector v1 — модель компьютерного зрения для поиска чернильных резиновых печатей на страницах документов. Она разработана для рабочих процессов обработки документов, например маршрутизации, помощи при проверке и выделения области печати для последующей верификации. Модель находит положение печати и возвращает ограничивающую рамку в координатах xyxy исходного изображения и оценку уверенности. Модель построена на архитектуре YOLOS с backbone на основе Vision Transformer и реализована как YolosForObjectDetection в библиотеке Transformers. Размер — 113,2 млн параметров. Она дообучена на страницах документов с проверенными аннотациями преимущественно круглых и овальных административных печатей; в обучении также использовались документы без печатей как сложные отрицательные примеры. Для исходного тестового набора указаны mAP@[0.50:0.95] 0,869 и mAP@0.50 1,0, но эти результаты не гарантируют качество на других источниках документов. Модель определяет наличие и расположение визуально похожей печати, но не проверяет её подлинность, юридическую силу или принадлежность. Она может хуже работать с прямоугольными, бледными, размытыми или перекрытыми печатями; на незнакомых макетах возможны ложные срабатывания на QR-коды, логотипы, штрихкоды, марки и наклейки. Для решений с юридическими, финансовыми или комплаенс-последствиями требуется проверка человеком. Лицензия в предоставленных данных не указана.

susnato/ernie-m-large_pytorch — конверсия весов ERNIE-M Large из формата PaddlePaddle в PyTorch, выполненная автором репозитория; исходную модель разработала Baidu. Это плотная мультиязычная модель семейства ERNIE-M с 658,7 млн параметров и контекстом до 514 токенов. Она предназначена для извлечения семантических представлений предложений и межъязычных задач: сопоставления предложений, определения текстового следования, распознавания именованных сущностей и ответов на вопросы после настройки под соответствующую задачу. Модель обучалась выравнивать представления языков с помощью восстановления маскированных токенов и обратного перевода на моноязычных корпусах. В карточке перечислены 14 языков, включая русский, английский, китайский, арабский и хинди. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Это базовая модель извлечения признаков, поэтому классификация и ответы на вопросы обычно требуют подходящей обвязки или дообучения.

Finnish ModernBERT tiny — компактная предобученная модель-энкодер архитектуры ModernBERT, разработанная TurkuNLP. Модель содержит 51 млн параметров и обучена на 447,9 млрд токенов. Она рассчитана на финский, шведский, английский, северносаамский, латинский языки и код; метаданные указывают языки fi, sv и en. Для задачи заполнения пропусков заявлен контекст 16 000 токенов, а в карточке отмечена теоретическая возможность экстраполяции до 128 000 токенов. Модель подходит для предсказания скрытых токенов, анализа текста и получения контекстных представлений, в том числе для задач поиска по текстам. В оценках семейство моделей показало конкурентные результаты на коротких задачах понимания финского, шведского и английского языков, а также сильные результаты в поиске вне обучающего домена. Обучение проводилось на суперкомпьютере LUMI на разнообразных текстовых данных. Модель распространяется по лицензии Apache-2.0. В обучающих данных могли присутствовать предвзятые и вредоносные материалы, не проводилась фильтрация токсичного или оскорбительного содержания; выходы и представления модели следует оценивать с учётом возможного влияния на уязвимые группы.

ThomasBaruzier/gemma-2-9b-it-GGUF — это набор GGUF-квантизаций инструкционно дообученной текстовой модели Gemma 2 9B IT, первоначально разработанной Google. Квантизации созданы с помощью llama.cpp и метода imatrix на основе калибровочного файла Bartowski; исходная модель — google/gemma-2-9b-it. Модель представляет собой decoder-only большую языковую модель для генерации и преобразования текста. Она предназначена для диалогов, ответов на вопросы, суммаризации, рассуждений и других задач текстовой генерации на английском языке. Доступны варианты с разными уровнями квантизации и размером примерно от 2,3 до 17,6 ГБ: от IQ1_S и IQ1_M до Q8_0 и F16. Более компактные варианты требуют меньше ресурсов, но могут сильнее терять качество; по приведённой таблице варианты Q4–Q8 близки к F16 по измеренным показателям perplexity и accuracy. Сильная сторона набора — возможность запускать Gemma 2 9B IT локально или на инфраструктуре с ограниченными ресурсами через llama.cpp, выбирая компромисс между размером и качеством. README не содержит сведений о длине контекста, точной архитектуре, поддерживаемых модальностях кроме текста или полном наборе языков; указано только, что модель доступна на английском языке. Использование регулируется лицензией Gemma от Google; для доступа к модели на Hugging Face требуется принять условия этой лицензии.

Gemma-4-E4B-it-PARL — дообученная командой Pimnara Adulchantarasorn, Phanida Toaluea, Nattanant Vonghan и Rapeepong модель Google Gemma 4 E4B Instruct, созданная в рамках хакатона lablab.ai при поддержке AMD. Модель оптимизирована для автономного многошагового рассуждения и глубокого веб-исследования; при обучении применялись GRPO и подход Parallel-Agent Reinforcement Learning (PARL). Модель предназначена для сценариев, где нужно собирать сведения из нескольких источников, удерживать большой объём контекста и синтезировать выводы в отчёт. По карточке, дообучение рассчитано на контекст свыше 60 тысяч токенов и обучает оркестрации агентных процессов, включая делегирование задач и выполнение Python-кода. Базовая Gemma 4 — мультимодальная модель; в ходе обучения визуальный энкодер оставили замороженным, чтобы сохранить возможности анализа изображений. Репозиторий содержит веса в формате safetensors, лицензия — Gemma License. Основная задача в метаданных — генерация текста. Хотя карточка описывает агентные сценарии и сохранённые возможности работы с изображениями, выполнение внешнего поиска, вызов инструментов и создание HTML-отчётов зависят от соответствующей обвязки; сам README не приводит результатов оценки качества.