I.4Обработка документов и форм

Это мультимодальная модель семейства Qwen, созданная RangerX на основе Qwen/Qwen3.6-35B-A3B. Чекпойнт получен методом REAP (Router-weighted Expert Activation Pruning): маршрутизируемые эксперты отбирались по весам маршрутизатора и нормам активаций; коэффициент pruning — 0,50. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration и распространяется в формате safetensors для Transformers. Модель предназначена для диалогов и задач «изображение—текст», включая анализ изображений. При создании сохранены конфигурация vision-language, общий эксперт, токенизатор и процессор; для калибровки pruning использовалась смесь примеров по коду, вызову функций, математике, науке и траекториям SWE-bench. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества после pruning, поэтому сохранение исходного уровня возможностей не подтверждено.

Qwen3.6 Plus — мультимодальная модель семейства Qwen. В доступной карточке она описана как использующая гибридную архитектуру с эффективным линейным механизмом внимания и разреженной маршрутизацией смеси экспертов, что предназначено для масштабирования и производительного вывода. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений с выдачей текстового ответа. Карточка README обрывается до описания конкретных сценариев и не содержит сведений о разработчике, размере, языках, длине контекста, лицензии или ограничениях. Поэтому эти характеристики и условия использования установить по предоставленным данным нельзя.

OpenVINO/Qwen3.8-27B-int4-ov — экспериментальная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT4 с помощью NNCF. Для квантования использованы режим INT4_ASYM, размер группы 128 и коэффициент ratio 1.0. Это мультимодальная vision-language модель для понимания изображений и видео, управления глубиной рассуждений и решения сложных многошаговых задач. Она может применяться для анализа визуального содержимого, ответов на вопросы по изображениям и построения мультимодальных чат-приложений. В README не указаны поддерживаемые языки и размер контекстного окна. Ключевые преимущества модели — мультимодальность и уменьшенный объём весов благодаря INT4-квантованию, что может упростить развёртывание с OpenVINO. При этом модель ещё не полностью проверена и требует экспериментальных или nightly-версий OpenVINO, OpenVINO GenAI и Optimum Intel; совместимость также заявлена с Transformers 5.2. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Kimiko-2 — объединённая плотная мультимодальная модель семейства Qwen, созданная nlpguy с помощью mergekit методом Karcher Mean. В слияние вошли Qwen/Qwen3.8-27B, TeichAI/Qwen3.8-27B-Fable-Distill, beyoru/Kiwen1.1-27B и nlpguy/Qwen3.8-27B-Fimi-4. Модель содержит 27 млрд параметров и рассчитана на диалоги с текстом и изображениями. Модель предназначена для общения и анализа изображений в формате image-text-to-text. Базовая модель также описана как пригодная для анализа видео, программирования и многошаговых задач, однако карточка этой версии не подтверждает отдельно эти возможности. Репозиторий использует Transformers и формат safetensors. Модель опубликована 25 августа 2026 года. Лицензия и ограничения применения в предоставленных данных не описаны; качество и поведение после слияния могут отличаться от входивших в него моделей.

Qwen3.8-27B LLM SCS — дообученная компанией или автором achuthc1298 мультимодальная модель на базе Qwen/Qwen3.8-27B. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, предназначенная для диалогов с текстом и изображениями. Она поддерживает анализ визуального содержимого и интерфейс вызова инструментов. В репозитории размещены полные веса в формате Safetensors, конфигурация модели, токенизатор и файлы предварительной обработки. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и диалоговых задач с визуальным контекстом. Также заявлен интерфейс для вызова инструментов. Сведения о лицензии, длине контекста и поддерживаемых естественных языках в доступных данных отсутствуют.

Qwen3.8-Flash-Next-heretic-2-IQ4_XS-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next-heretic-2, подготовленная для запуска через llama.cpp. Репозиторий содержит пять основных IQ4_XS-шардов, набор из шести MTP/NextN-шардов для speculative decoding и совместимый мультимодальный проектор Q8_0. Модель основана на версии trohrbaugh/Qwen3.8-Flash-Next-heretic-2; исходная конверсия закреплена на конкретной ревизии проекта spiritfather/Qwen3.8-Flash-Next-heretic-2-i1-GGUF. Сведения о точном числе параметров, архитектуре, языках и размере контекста в карточке не указаны. Модель предназначена для генерации текста и обработки изображений в сценариях image-text-to-text, включая мультимодальные запросы и задачи визуального grounding. Формат ориентирован на эффективное размещение и кэширование весов, в частности в средах Runpod Serverless. Для изображений требуется отдельный проектор mmproj в формате Q8_0. MTP-вариант поддерживает ускорение генерации посредством speculative decoding при использовании сборки llama.cpp с PR #27836; в README приведены рекомендуемые параметры запуска для IQ4-класса. К сильным сторонам относятся сниженный размер квантизированных весов, поддержка мультимодального ввода и возможность ускоренной генерации с MTP. Ограничения связаны с необходимостью совместимой сборки llama.cpp, отдельного мультимодального проектора и корректного набора шардов; характеристики качества, производительности и языкового покрытия не приведены. Указана лицензия Qwen Community License версии qwen-community-1.0, условия которой распространяются на upstream-модель и конверсию.

RUPunct_medium — средняя модель семейства RUPunct для автоматической расстановки пунктуации в русском тексте. По метаданным это модель token classification на архитектуре ELECTRA с 100,6 млн параметров и контекстом до 512 токенов; веса доступны в формате PyTorch. Автор README характеризует её как баланс между производительностью и качеством. Модель может применяться для восстановления пунктуации в текстах без знаков препинания, например в результатах распознавания речи. Репозиторий распространяется по лицензии MIT.

sat-1l-sm — модель семейства Segment any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. В карточке заявлено качество уровня state of the art и компактная архитектура с одним слоем Transformer; метаданные указывают классификатор токенов XLM размером 201,4 млн параметров с контекстом до 514 токенов. Модель выполняет разметку токенов для определения границ предложений и ориентирована на многоязычный текст. Метаданные перечисляют языки, включая английский, арабский, французский, немецкий, хинди и японский; поддержка русского языка среди перечисленных кодов не заявлена. Доступны веса в форматах Safetensors и ONNX. Лицензия — MIT.

Модель tomaarsen/span-marker-bert-tiny-conll03 — компактная модель для распознавания именованных сущностей, созданная на основе архитектуры SpanMarker с энкодером prajjwal1/bert-tiny. Она дообучена на наборе данных CoNLL-2003 и предназначена для разметки сущностей в тексте с помощью библиотеки SpanMarker. Модель подходит для эффективного тестирования SpanMarker и для базовых экспериментов с извлечением именованных сущностей. В репозитории представлены веса PyTorch и Safetensors. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

TFT-ID-1.0 — модель обнаружения объектов, созданная Yifei Hu на основе дообучения контрольных точек microsoft/Florence-2. Она принимает изображение одной страницы научной статьи и находит на нём таблицы, рисунки и текстовые разделы, возвращая для каждого элемента ограничивающую рамку и метку класса. Модель предназначена для анализа страниц академических публикаций и подготовки их к последующей обработке: найденные текстовые области можно передавать в OCR, а таблицы и рисунки — использовать для извлечения структуры документа. По README, обучение проводилось на статьях из Hugging Face Daily Papers с более чем 36 тысячами вручную размеченных рамок; автор сообщает о точности 96,78% на задаче поиска всех трёх типов областей и 98,84% для таблиц и рисунков на тестовых страницах. Репозиторий содержит веса в формате Safetensors, лицензия — MIT. Модель ориентирована на страницы научных статей; тестирование описано на публикациях, связанных с Hugging Face Daily Papers, поэтому качество на других типах документов не подтверждено. Для распознавания текста и преобразования его в Markdown или LaTeX потребуется отдельная OCR-модель.

BigBang-Aquila-35B-Merged-i1-GGUF — квантизированная GGUF-версия объединённой модели Davd-b01/BigBang-Aquila-35B-Merged, подготовленная mradermacher. В карточке модель помечена как conversational и image-text-to-text, поэтому предназначена для диалоговых задач и обработки связки текста и изображений. Указан английский язык; поддержка других языков не заявлена. Модель относится к семейству с архитектурными признаками Qwen3.5 MoE, однако точные параметры архитектуры, число активируемых экспертов, размер контекста и количество параметров в README не приведены. Доступно множество вариантов квантизации i1 с размером примерно от 7,6 до 28,6 ГБ. В README отмечено, что для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Главное преимущество — возможность локального запуска в разных конфигурациях памяти и сочетание текстовых и визуальных сценариев. При этом качество зависит от выбранного уровня квантизации: наиболее компактные варианты характеризуются как низкокачественные, а Q4_K_M обозначен как быстрый и рекомендуемый, тогда как более крупные варианты лучше сохраняют качество, но требуют больше ресурсов. Модель распространяется под лицензией Apache-2.0.

Case-law block tagger — модель токеновой классификации от Free Law Project для разметки структуры мнений судов США. Она принимает OCR-текст одного дела в минимальном HTML-представлении и выделяет символьные фрагменты с именами сторон, номером дела, судом, адвокатами, судьями, датами, историей дела, резолютивной частью, автором и заголовками. Обычный текст мнения относится к метке O; модель выдаёт BIO-метки и не генерирует текст. Модель построена на ModernBERT-large с 394,7 млн параметров и дообучена на CaseLawModernBERT-large, предварительно обученной на корпусе судебных мнений США. Контекст составляет 8192 токена. Обучение проводилось на OCR-материалах американских судебных репортёров с разметкой человеком и проверкой человеком; на отложенном тестовом наборе строгая span-F1 составила 0,937. Модель рассчитана на структурирование сканов судебных сборников, а также цифровых текстов, сериализованных в ожидаемом формате. Модель поддерживает английский язык и особенно хорошо извлекает поля судебной «шапки». Её точность снижается на незнакомых форматах репортёров и строках с судьями, а классы otherdate и disposition имеют более слабые результаты. Ввод следует ограничивать одним делом, не более 8 тысяч токенов, удалять сноски и сохранять каноническую HTML-сериализацию; цитаты модель не размечает. Лицензия — Apache-2.0.

Chart-To-Table — модель для преобразования изображений диаграмм в структурированные таблицы. Она представлена в работе «Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning» и использует архитектуру UniChart типа vision encoder-decoder. Модель принимает изображение диаграммы и выдаёт текстовую таблицу: строки разделяются маркером `&&&`, а столбцы — символом `|`. Она предназначена для извлечения данных из графиков и диаграмм, чтобы затем использовать их в анализе или обработке табличных данных. В метаданных указаны библиотека Transformers, формат PyTorch и лицензия Apache-2.0.

FelaTab — модель для классификации и регрессии по табличным данным, разработанная lowdown-labs. Она получает строки с известными метками и строки-запросы, для которых нужно предсказать метку или значение, и делает прогноз за один проход без обучения на конкретной таблице. Модель обучена на синтетических таблицах и рассчитана на перенос этих закономерностей на ранее не встречавшиеся реальные данные. Архитектура — prior-fitted network с delta-rule линейным вниманием и landmark-вниманием по опорным строкам. Доступны вложенные варианты размером 51,6 млн и 411,9 млн параметров; веса опубликованы в формате safetensors, README также описывает рекомендуемые варианты int8. Модель принимает числовые признаки: до 100 столбцов-признаков и до 10 классов для классификации. Для классификации возвращает вероятности классов, для регрессии — прогноз и стандартное отклонение. FelaTab предназначена для быстрого прогнозирования и автозаполнения небольших и средних таблиц, включая сценарии работы с электронными таблицами и базами данных; заявлена работа на CPU без GPU. На приведённых в README тестах она служит сильной базовой моделью без настройки, но для максимальной точности, особенно в регрессии, авторы рекомендуют сравнивать её с настроенными градиентно-бустинговыми деревьями. Качество на существенно отличающихся распределениях следует проверять на отложенных данных; модель не следует использовать как единственное основание для важных решений. Лицензия — Apache-2.0; README обозначает выпуск как предварительную исследовательскую версию для оценки и развития открытой науки.

Immerwinter/gbert-large-privacy-policy-content-control — дообученная модель классификации текста на основе немецкоязычной deepset/gbert-large. Она предназначена для отнесения фрагментов текста к темам, связанным с содержанием политик конфиденциальности: аудитория, контактные данные, контроль, удаление, правовое основание, обработка данных, цели, сроки хранения, безопасность и приватность, продажа и передача данных, третьи стороны и права пользователей. Модель использует архитектуру BERT для классификации последовательностей, содержит 434,5 млн параметров и принимает текстовые фрагменты длиной до 512 токенов. Модель ориентирована на анализ текстов на немецком языке и может применяться для тематической разметки и сортировки разделов политик конфиденциальности. В репозитории представлены форматы safetensors и ONNX. Лицензия — Apache-2.0.

mlx-community/gemma-4-26b-a4b-it-4bit — это 4-битная версия модели Google Gemma 4 26B A4B Instruct, преобразованная сообществом mlx-community в формат MLX. Модель предназначена для запуска с использованием mlx-vlm и поддерживает сценарии image-text-to-text, включая диалоговое взаимодействие и анализ изображений с формированием текстового ответа. Ключевые характеристики: базовая модель — google/gemma-4-26B-A4B-it, размер обозначен как 26B A4B, используется 4-битное представление весов, формат хранения — safetensors. Модель принимает изображения и текстовые запросы; конкретные поддерживаемые языки и размер контекста в README не указаны. Версия рассчитана на экосистему MLX и может быть удобна для локального запуска на совместимом оборудовании, однако 4-битная квантизация может ограничивать точность по сравнению с полной версией модели. В README указана лицензия Apache-2.0, а также отдельная ссылка на лицензию Gemma 4; условия использования следует проверять по обоим источникам. README не содержит подробных результатов тестирования, ограничений по применению или сравнительных оценок качества.

Holo3.1-35B-A3B-GGUF — мультимодальная vision-language модель для компьютерных агентов, разработанная H Company. Она предназначена для навигации и автоматизации действий в веб-браузерах, настольных и мобильных интерфейсах, а также для задач UI grounding, бизнес-процессов и интеграции с агентными фреймворками. Модель поддерживает native function calling и ориентирована на локальное развертывание. Модель относится к семейству Holo3.1 и построена на базе моделей Qwen 3.5; в README также указана MoE-архитектура. Вариант Holo3.1-35B-A3B доступен в формате GGUF с квантизацией Q4, а также в вариантах BF16, FP8 и NVFP4. Заявлен английский язык. Модель работает с текстом и визуальной информацией, но размер контекстного окна в предоставленных данных не указан. К сильным сторонам относятся поддержка компьютерного использования в веб-, настольных и мобильных средах, функции для построения агентов и возможность более экономичного локального запуска благодаря квантизации. README заявляет высокие результаты в бенчмарках компьютерного использования, мобильной автоматизации, корпоративных рабочих процессов и UI grounding, однако подробные числовые показатели не приведены. Ограничения, требования к оборудованию и точные параметры контекста также не указаны; для GGUF-варианта могут потребоваться совместимые средства инференса. Модель распространяется по лицензии Apache 2.0.

InternViT-300M-448px — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Модель содержит около 402,7 млн параметров по метаданным и использует архитектуру InternVisionModel семейства InternViT. Она обучена дистилляцией из InternViT-6B-448px-V1-5. Модель принимает изображения с динамическим разрешением на основе тайлов 448×448: при обучении использовалось от 1 до 12 тайлов, при тестировании поддерживается от 1 до 40. Предназначена для получения визуальных признаков и может служить backbone для компьютерного зрения; в карточке также отмечены устойчивость, обработка высокого разрешения и возможности OCR. Обучающие данные включают мультиязычные наборы изображений, подписи и OCR-данные на китайском и английском языках. Лицензия — MIT. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения; результаты OCR и качество на конкретных данных могут зависеть от сценария применения.

natong19/InternVL2-8B-abliterated — модифицированная версия мультимодальной модели InternVL2-8B. Разработчик применил ортогонализацию весов, чтобы ослабить склонность модели отказываться от запросов, сохранив текстовые и мультимодальные возможности. Модель построена на архитектуре InternVLChatModel и предназначена для диалогов с текстом и изображениями; в метаданных для неё указан pipeline image-text-to-text. Её можно использовать для вопросов по изображениям, мультимодального чата и обычных текстовых задач. В приведённых тестах результаты на ARC и MMLU немного ниже, чем у исходной InternVL2-8B. Ослабление отказов не гарантирует, что модель выполнит любой запрос: она может неверно понять намерение, отказаться или сама затронуть вопросы этики и безопасности. Репозиторий распространяется по лицензии MIT.

MiniCPM-V-26ft20240908220534 — дообученная версия мультимодальной модели MiniCPM-V 2.6, созданная автором репозитория muhtasham. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MiniCPMV и распространяется в формате safetensors. Базовая MiniCPM-V 2.6 предназначена для диалога и анализа изображений, нескольких изображений и видео; для этой версии README указывает дообучение на неизвестном наборе данных и значение loss 0,1097 на оценочной выборке. Модель можно использовать как диалоговую систему для генерации текста и анализа визуального содержимого в сценариях, поддерживаемых базовой моделью. Метаданные каталога указывают задачу text-generation и возможность chat; контекст составляет 32 768 токенов. Карточка не описывает особенности дообучения, его данные или оценочную методику, поэтому результат loss нельзя интерпретировать как подтверждение качества на конкретной задаче. Лицензия в предоставленных данных не указана.

MichaelHuang/muril_base_cased_hindi_ner — модель для распознавания именованных сущностей в текстах на хинди. Она дообучена для NER на базе google/muril-base-cased — BERT-модели, предварительно обученной на 17 индийских языках и их транслитерированных вариантах. Для обучения использован датасет HiNER. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и присваивает метки отдельным токенам. В README приведены результаты оценки: F1 0,88, точность 0,87 и полнота 0,89. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Оценки качества относятся к указанному набору данных; переносимость на другие домены и варианты написания не описана.

Это дообученная модель BERT Large Uncased от разработчика shubhamgantayat для классификации токенов. По названию модели она предназначена для обнаружения персональных данных (PII) в тексте; README не раскрывает метки, данные обучения или подробности оценки, поэтому точный перечень распознаваемых типов данных установить нельзя. Модель принимает текст и выдаёт метки для отдельных токенов. Модель содержит 433,9 млн параметров, использует архитектуру BertForTokenClassification и контекст длиной до 512 токенов. Базовая модель ориентирована на английский язык; отдельные сведения о языках обучения и оценки этой версии не приведены. Доступна в формате safetensors. Лицензия — Apache-2.0. README не описывает ограничения и рекомендуемые сценарии использования; качество распознавания и применимость к конкретным типам PII следует оценивать на целевых данных.

Amazon Nova Premier 1.0 — мультимодальная модель Amazon, предназначенная для решения сложных задач рассуждения. Её также позиционируют как модель-учителя для дистилляции пользовательских моделей. В метаданных каталога основная задача указана как image-text-to-text, то есть модель принимает изображения и текст и формирует текстовый ответ. Данных о размере модели, контекстном окне, поддерживаемых языках, лицензии и конкретной архитектуре в предоставленных источниках нет. README характеризует модель как наиболее способную мультимодальную модель Amazon для сложных рассуждений, но не приводит результатов оценки качества или подробностей применения.

jenerallee78/Qwen3.6-35B-A3B-Abliterix-EGA-abliterated — мультимодальная модель для преобразования изображений и текста в текст, созданная на базе Qwen/Qwen3.6-35B-A3B. Релиз подготовлен с применением Abliterix, техники Expert-Granular Abliteration (EGA), разработанной wuwangzhang1216, в сочетании с вариантом projected abliteration от grimjim. Модель позиционируется как uncensored-конфигурация базовой модели. Модель предназначена для диалоговых сценариев и задач image-text-to-text, включая работу с изображениями и текстовыми запросами. В карточке указаны поддерживаемые языки English и Chinese, мультимодальность с поддержкой vision, архитектурный класс Mixture-of-Experts (MoE) и размер 35B-A3B, унаследованный от базовой Qwen3.6. Размер контекста и точный перечень поддерживаемых форматов входных данных в представленном README не указаны. Ключевая особенность модели — снижение склонности к отказам после изменения весов. На 507 оценённых запросах HarmBench показатель отказов составил 10,5% по оценке GPT-4o-mini, 6,9% по оценке Gemini 3 Flash Preview и 6,3% по классификатору HarmBench; среднее качество выполнения составило 4,55 и 4,74 из 5 соответственно. При этом результаты зависят от используемого оценщика и методики, а изменение весов может влиять на безопасность и предсказуемость поведения. Модель распространяется по лицензии AGPL-3.0.

Qwen3.6-35B-A3B-MXFP4-GGUF — квантизированная GGUF-версия модели Qwen3.6-35B-A3B, опубликованная пользователем giocom на Hugging Face. Модель основана на разработке семейства Qwen и предназначена для диалогового взаимодействия и задач image-text-to-text, то есть обработки запросов с текстом и изображениями. В карточке также указаны поддержка MTP и формата MXFP4 с эффективностью квантования 5.00 BPW. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. В метаданных и README она помечена как abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели Qwen3.6-35B-A3B. Ключевые ограничения — возможная потеря качества из-за квантования, а также отсутствие в доступных материалах подробных сведений о поддерживаемых языках, размере контекста и конкретных характеристиках мультимодального ввода.

Мультимодальная модель Qwen3.6-35B-A3B в формате GGUF, опубликованная hugypufy как ускоренная переработка сборки noctrex. Она предназначена для диалогов и анализа изображений при локальном запуске через llama.cpp. Архитектура Qwen3.5MoE содержит 34,66 млрд параметров, из которых около 3 млрд активны на токен; в MoE используются 256 экспертов с маршрутизацией top-8. Веса экспертов квантизированы в MXFP4, веса внимания и общей FFN — в Q8_0, а выходная матрица дополнительно перекодирована в Q8_0 или MXFP4. Размеры вариантов составляют около 18,42 и 18,17 GiB. Перекодирование выходной матрицы уменьшает её объём и повышает скорость генерации токенов: README сообщает о приросте примерно 9% для Q8_0 и 15% для MXFP4 в тестах на двух AMD R9700 с llama.cpp. Проверки качества описаны как неформальные: для Q8_0 заметной потери качества не наблюдалось, для MXFP4 отмечены возможные небольшие различия. Модель распространяется по лицензии Apache-2.0.

Карточка модели ersindemirel94/qwen_ps_v1v на Hugging Face совпадает с карточкой ersindemirel94/qwen_ps_v1, поэтому описание составлено по ней. ersindemirel94/qwen_ps_v1 — дообученная разработчиком ersindemirel94 мультимодальная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-2B. Она предназначена для диалогов и задач преобразования изображений и текста; архитектура — плотная Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. В метаданных заявлены поддержка зрения и интерфейс вызова инструментов. Базовая модель содержит 2 млрд параметров; карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL, но не описывает конкретный набор данных, специализацию дообучения или результаты оценки. Поэтому качество на отдельных задачах и практические ограничения по сценариям использования карточка не устанавливает.

EvgeniaKomleva/roberta-large-finetuned-abbr-finetuned-ner — англоязычная модель разметки последовательностей на базе RoBERTa-large, дообученная на наборе plod-filtered для обнаружения и классификации аббревиатур в тексте. Модель содержит 454,1 млн параметров и поддерживает контекст до 514 токенов. На оценочном наборе указаны precision 0,9800, recall 0,9767, F1 0,9784 и accuracy 0,9762. Модель подходит для извлечения упоминаний аббревиатур из текста, например в составе NLP-конвейера. Распространяется по лицензии MIT.

BibTexer — специализированная языковая модель PleIAs для извлечения библиографических ссылок из неструктурированного текста и преобразования их в записи BibTeX, пригодные для загрузки в библиографические базы данных. Модель обучена на разнообразных библиографических стилях, в том числе представленных в Zotero, и на повреждённых текстах с переносами строк и артефактами оцифровки. Модель предназначена для обработки библиографий на европейских языках и поддерживает многоязычные стили и форматы. Это DeBERTa-v2 с 306 млн параметров, настроенная для классификации токенов; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0. README описывает преобразование ссылок в BibTeX, но не приводит количественных оценок качества.

Clemma-E4B — модель ayan4m1 на архитектуре Gemma 4 E4B, дообученная на промптах Claude Opus 4.5–4.6. Она предназначена для диалогового взаимодействия и обработки изображений с текстом на входе; карточка указывает задачу image-text-to-text и возможности chat и vision. Базовая модель — unsloth/gemma-4-E4B-it-unsloth-bnb-4bit. Модель распространяется в формате safetensors по Gemma License. Данные карточки не уточняют размер контекста, языки, качество на конкретных задачах или ограничения; поэтому нельзя уверенно определить её специализацию за пределами заявленных диалоговых и визуально-текстовых сценариев.