I.4Обработка документов и форм

FastVLM-1.5B — мультимодальная модель Apple для диалога по изображениям и генерации текста. Она сочетает визуальный энкодер FastViTHD, который сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения, с языковой частью семейства LLaVA-Qwen2. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы об изображениях, визуального анализа и задач на понимание диаграмм и научных изображений. В карточке приведены результаты на Ai2D, ScienceQA и MMMU; авторы также заявляют о высокой скорости получения первого токена и компактном визуальном энкодере. Репозиторий содержит веса в формате safetensors. Лицензия — Apple AMLR.

FRED-T5 1.7B — русскоязычная предварительно обученная модель семейства T5, разработанная SberDevices. Она предназначена для генерации и преобразования текста на русском языке, включая сценарии, где задачу задают префиксом. Архитектура — плотный T5 с 24 слоями и размером скрытого состояния 1536; обучение проводилось на корпусе русского языка объёмом 300 ГБ с использованием смеси из семи denoising-задач, близких к UL2. Для отдельных задач применялось дополнительное мультитасковое обучение и продолжение обучения на лучшем чекпойнте. Модель подходит для экспериментов и прикладных задач генерации, перефразирования, суммаризации и других преобразований русскоязычного текста. В метаданных указано 870,1 млн параметров, формат весов PyTorch и поддержка русского языка. Модель распространяется по лицензии Apache-2.0.

ZySec-AI подготовила экспериментальную модификацию Gemma 3 27B IT с удалёнными отказами с помощью техники abliteration и минимальным дообучением. Это плотная мультимодальная модель семейства Gemma 3 на 27 млрд параметров, основанная на google/gemma-3-27b-it; она поддерживает диалог, работу с изображениями и вызов инструментов. Модель предназначена для ответов на запросы и работы с изображениями в сценариях, где требуется меньше отказов, чем у исходной версии. В карточке заявлено, что сохранена большая часть возможностей базовой модели, но независимая оценка качества не приведена. Распространяется в формате Safetensors по лицензии Gemma.

Модель callgg/gemma-3-4b-it-bf16 основана на Gemma 3 4B IT от Google и предназначена для диалогов, генерации текста и ответов на вопросы по изображениям. Она принимает текст и изображения и выдаёт текст; в метаданных указана архитектура Gemma 3 для условной генерации с плотной сетью и поддержка чата и зрения. Репозиторий содержит веса в формате safetensors; README также сообщает о возможности конвертации в GGUF. Модель подходит для мультимодальных ассистентов, которым нужно описывать изображения или отвечать на вопросы о них, а также для обычного текстового общения. Используется лицензия Gemma. Сведения о размере контекста и поддерживаемых языках в предоставленных данных отсутствуют.

OpenGVLab InternVL3.5-GPT-OSS-20B-A4B-Preview-HF — мультимодальная модель семейства InternVL3.5, объединяющая языковую модель OpenAI gpt-oss-20b и визуальный энкодер OpenGVLab InternViT-300M-448px-V2_5. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для диалога по изображениям, визуального анализа и рассуждений по мультимодальным данным; в README также описаны возможности семейства в задачах распознавания текста на изображениях, понимания видео и взаимодействия с графическим интерфейсом, но их наличие именно у этой версии не подтверждено. InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и маршрутизатор разрешения визуальных токенов для более эффективной обработки изображений. Для развертывания описана схема DvD, разделяющая обработку зрения и языка между вычислительными узлами. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель опубликована под лицензией Apache-2.0. В карточке нет сведений о числе параметров именно этого варианта и длине контекста; обозначение GPT-OSS-20B в названии относится к базовой языковой модели, а A4B Preview указывает на предварительную версию.

Jellyfish-13B — языковая модель семейства Llama с 12,9 млрд параметров, разработанная исследователями из NEC Corporation и Osaka University. Модель дообучена на базе Open-Orca/OpenOrca-Platypus2-13B для предварительной обработки данных: обнаружения ошибок, заполнения пропусков, сопоставления схем и сопоставления сущностей. Также описаны сценарии аннотирования типов столбцов и извлечения значений атрибутов. Модель принимает текстовые инструкции и данные и генерирует текстовые ответы, предназначенные для использования в системах управления данными и аналитических конвейерах. Основной язык — английский; максимальный контекст составляет 4096 токенов. Авторы рекомендуют запускать её локально для контроля над данными и ускорять инференс с помощью vLLM. В README приведены сравнительные результаты на ряде наборов данных, но они не гарантируют аналогичного качества на других данных. Модель дообучена с использованием LoRA и предназначена для конкретных задач подготовки данных; авторы отмечают, что меньшие версии Jellyfish лучше обобщают на незнакомые задачи. Лицензия CC BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели mergekit-community/llama-world на Hugging Face совпадает с карточкой fradinho/world-llama2, поэтому описание составлено по ней. fradinho/world-llama2 — объединённая диалоговая языковая модель на архитектуре Llama с 6,6 млрд параметров. Она создана методом task arithmetic с помощью mergekit из LargeWorldModel/LWM-Text-Chat-1M и NousResearch/Llama-2-7b-chat-hf; веса сохранены в формате safetensors, исходная точность — bfloat16. Модель предназначена для генерации текста и ведения диалогов. Заявленная длина контекста составляет 1 048 576 токенов, что позволяет обрабатывать длинные текстовые запросы и документы. В карточке базовая диалоговая модель описана как англоязычная; отдельные языковые возможности итогового объединения не уточняются. Модель распространяется по лицензии MIT. Карточка не приводит сравнительных оценок качества или специальных мер безопасности; результаты на длинном контексте и в других языках могут зависеть от сценария применения.

Lumma-Fev-9B — плотная модель принятия решений семейства FEV от FrontiersMind. Она обрабатывает один документ или состояние, представленное текстом, JSON-объектом либо массивом, и набор типизированных вопросов, возвращая распределение вероятностей для каждого вопроса за один проход. Модель не генерирует текст; доступны ответы форматов yes/no, выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по содержимому документов: например, для присвоения категории, определения эмоции или извлечения ответа на типизированный вопрос. В README приведены результаты на Typed-decisions, AG News и DAIR Emotion, однако они не гарантируют качество на пользовательских данных. Вопросы обрабатываются независимо друг от друга. Репозиторий использует библиотеку Transformers и формат safetensors; точное число параметров в предоставленных сведениях не указано. Лицензия — Apache-2.0. Уверенность и вероятности являются оценками модели, поэтому их калибровку следует проверить на размеченных данных перед использованием для автоматических решений.

Карточка модели anas89ji/Ming-flash-omni-Preview на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-Preview, поэтому описание составлено по ней. Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

allistair99 разработал дообученную версию csarron/mobilebert-uncased-squad-v1 для извлечения ответов на вопросы по предоставленному тексту. Модель использует архитектуру MobileBERT, содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. В репозитории указана оценка Loss 0,9972 на наборе для оценки; обучающий набор не назван. Модель подходит для поиска короткого ответа в тексте по вопросу, например, при извлечении фактов из документов. Базовая модель ориентирована на английский язык. Модель распространяется по лицензии MIT.

ModernCamemBERT — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2. Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask. Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

Muse-Glimmer-30B-FP8-block — мультимодальная модель условной генерации, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для задач мультимодального анализа и вывода, включая сценарии, поддерживаемые базовой моделью и совместимые с vLLM. Модель использует архитектуру MuseGlimmerForConditionalGeneration и посттренировочное квантование весов и активаций в формате FP8 W8A8 block. Квантованы линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embedding-слои исключены из квантования. По сравнению с 16-битным представлением это примерно вдвое уменьшает размер модели на диске и требования к GPU-памяти. README не указывает число параметров базовой модели, поддерживаемые языки и размер контекста. Модель оптимизирована для инференса с vLLM и поставляется в формате compressed-tensors; заявлена поддержка мультимодального инференса, tensor parallelism, tool calling и reasoning parser в vLLM. Квантование выполнено с помощью LLM Compressor по схеме FP8_BLOCK без калибровочных данных, что упрощает подготовку модели, но может влиять на точность по сравнению с исходной версией. Лицензия — Apache-2.0.

Noirci — модель распознавания именованных сущностей, разработанная 5000.dev для обнаружения персональных данных во французской деловой переписке перед отправкой текста в LLM. Она дообучена на CamemBERT и предназначена для выделения сущностей, которые затем можно псевдонимизировать. В репозитории есть веса safetensors в float32 и экспорт ONNX с квантованием int8; ONNX-версия размером 186 МБ работает на CPU. Контекст модели — 514 токенов. Модель рассчитана на французские рабочие документы и служит одним слоем конвейера, где также используются регулярные выражения с проверкой контрольных сумм, справочники и распространение разметки на весь документ. В README приведены оценки утечки и избыточного маскирования на реальной французской корреспонденции; результаты относятся к полному конвейеру lite2, а не только к модели. Указана лицензия MIT. Модель поддерживает только французский язык. В README отмечены утечки сущностей и избыточное маскирование примерно на 8–15%; для надёжной псевдонимизации нужны дополнительные компоненты конвейера. Она не предназначена для определения названий потребительских платформ как персональных данных.

Модель failspy/Phi-3-vision-128k-instruct-abliterated-alpha создана автором failspy на основе microsoft/Phi-3-vision-128k-instruct. Это мультимодальная модель семейства Phi-3-Vision с 3,7 млрд параметров: она принимает текст и изображения, а отвечает текстом в формате диалога. Автор применил ортогонализацию весов bf16, чтобы ослабить склонность модели отказывать в ответах; зрительные слои не изменялись, преобразованию подверглись языковые и чат-слои. Модель предназначена для диалоговых запросов по тексту и изображениям, включая вопросы о визуальном содержимом и генерацию текста или кода. В карточке указаны лицензия MIT и контекст 4096 токенов. Автор называет выпуск экспериментальным и предупреждает, что модель может чаще галлюцинировать, чем исходная, сохранять отказы и проявлять побочные эффекты ортогонализации. Это не дообучение на новых данных, а изменение весов исходной модели для ослабления конкретного поведения.

Qwen3.8-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная mlx-community и преобразованная из Qwen/Qwen3.8-27B для формата MLX. Это плотная модель с 27 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration; она предназначена для диалогов и анализа изображений. Метаданные указывают поддержку vision и conversational-сценариев, а README описывает запуск через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Базовая карточка характеризует исходную модель как подходящую также для анализа видео, программирования и многошаговых задач, однако карточка этой сборки подтверждает прежде всего обработку изображений и диалог. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Qwen3.8-27B-VQ-3.9bpw — векторно-квантизированная версия Qwen3.8-27B, разработанная TheDrainFlorist на основе модели Qwen/Qwen3.8-27B. Модель предназначена для генерации текста на устройствах Apple Silicon и работает в формате MLX с библиотеками mlx-lm и mlx-vlm. Она также поддерживает обработку изображений при использовании mlx-vlm версии 0.6.16 или новее, то есть относится к мультимодальным моделям с текстовым и визуальным вводом. В метаданных указан английский язык; сведения о других языках и размере контекстного окна не приведены. Размер сборки составляет около 12,47 GiB, эффективная точность — 3,9 бит на параметр. В комплект входит vision tower размером 0,859 GiB и собственный runtime в model.py. На Apple M3 Ultra заявлены скорость декодирования 23,3 токена в секунду, скорость префилла около 23 токенов в секунду и резидентное потребление памяти 12,2 ГБ. По сравнению с собственной 3-битной affine-квантизацией модель обеспечивает меньшее расхождение с исходной моделью при умеренном увеличении размера, но уступает более крупным 4-, 6- и 8-битным сборкам по качеству. Модель подходит для локальной генерации текста и мультимодальных сценариев на Apple Silicon при наличии совместимых версий библиотек. Ограничениями являются зависимость от поддержки ключа model_file загрузчиком и заметная потеря точности относительно bf16-версии; для параллельных запросов спекулятивное декодирование MTP не рекомендуется. Модель распространяется по лицензии Apache-2.0.

Petros89/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для поиска ответа на вопрос в предоставленном тексте: модель оценивает фрагменты контекста и возвращает ответ из него. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и формат PyTorch; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения фактов из документов и ответов на вопросы по заданному контексту. Карточка не содержит подробных результатов оценки или описания ограничений качества. Лицензия — Apache-2.0.

badokorach/bert-finetuned-squad-4 — модель BERT, дообученная автором на основе badokorach/bert-finetuned-squad-3 для ответов на вопросы по предоставленному тексту. В репозитории указано 135,5 млн параметров; модель использует архитектуру BertForQuestionAnswering, формат TensorFlow и контекст до 512 токенов. Модель подходит для поиска ответа в контексте, например, для систем вопросов и ответов по документам. В карточке приведены значение Train Loss 0,0012 и 29-я эпоха, но не названы обучающий набор данных и результаты независимой оценки. Лицензия — Apache-2.0.

CamemBERTav2-base — франкоязычная языковая модель, разработанная командой Almanach и предварительно обученная на корпусе из 275 млрд токенов французского текста. Она основана на архитектуре DeBERTa-v2 и обучена с задачей Replaced Token Detection. Модель содержит 138,4 млн параметров и принимает последовательности длиной до 1024 токенов. Модель предназначена для получения контекстных представлений текста и как основа для дообучения под задачи французского NLP, включая классификацию, распознавание сущностей, разметку частей речи, синтаксический анализ и ответы на вопросы. В сравнении с предыдущей версией использует WordPiece-токенизатор на 32 768 токенов с поддержкой эмодзи, табуляции и переноса строки; для работы нужен Fast Tokenizer. В README приведены результаты дообучения на ряде французских бенчмарков, включая NER, вопросно-ответные и классификационные задачи. Это не готовая чат-модель: для прикладных задач классификации или генерации ответов обычно требуется соответствующая голова и дообучение. Распространяется по лицензии MIT.

DeepSeek-V4.1-Flash-Abliterated — неофициальная community-версия модели DeepSeek-V4.1-Flash, опубликованная пользователем s-zaizen. Модель создана методом abliteration с использованием инструмента Heretic и предназначена для задач генерации текста и обработки изображений с текстом. Она сохраняет архитектуру исходной модели, токенизатор, компоненты компьютерного зрения, память Engram, тензоры MTP/DSpark, исходную конфигурацию контекста и форматы хранения FP8/MXFP4. Чекпойнт состоит из 48 файлов Safetensors общим объёмом около 510,3 ГБ. Точные размер модели, длина контекста и список поддерживаемых языков в README не указаны. В ходе конвертации изменены только выходные проекции внимания в 40 слоях; экспертные компоненты, Engram, зрительная часть, эмбеддинги и тензоры MTP/DSpark не затрагивались. Основная заявленная особенность — существенное снижение показателя отказов в тесте Heretic: с 97 до 24 отказов из 100 примеров. Этот показатель относится только к конкретной проверке склонности к отказам и не является оценкой общих возможностей модели. Поэтому поведение, безопасность и качество ответов в других сценариях требуют самостоятельной проверки. Для запуска необходима среда, совместимая с исходным форматом чекпойнта DeepSeek V4.1 FP8/MXFP4 и его способом кодирования запросов; файлы для эталонного запуска включены в комплект. Для модели и сопутствующих исходных файлов указана лицензия MIT. Инструмент Heretic распространяется по лицензии AGPL-3.0, что следует учитывать отдельно при его использовании.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

twmkn9 — модель на базе DistilBERT base uncased, дообученная на SQuAD v2 для извлечения ответов из текста по вопросу. Она принимает вопрос и текстовый фрагмент и возвращает найденный ответ либо указывает, что ответа в тексте нет. Подходит для систем поиска ответов по документам и справочным материалам. Контекст модели — до 512 токенов; архитектура — DistilBertForQuestionAnswering, формат весов — PyTorch. README приводит результаты оценки на подмножестве dev SQuAD v2: exact match 64,9 и F1 68,2. Модель работает с английским языком, как базовая uncased-модель DistilBERT и датасет SQuAD v2. Это компактная специализированная модель для extractive question answering, а не универсальный диалоговый генератор. Лицензия в предоставленных данных не указана.

philschmid/distilbert-onnx — англоязычная модель для ответов на вопросы, разработанная на основе DistilBERT-base-cased. Это чекпойнт DistilBERT, дополнительно дистиллированный и дообученный на SQuAD v1.1; репозиторий содержит веса в формате ONNX. Модель извлекает ответ из предоставленного текста в ответ на вопрос, а не предназначена для свободного диалога. Модель использует архитектуру DistilBertForQuestionAnswering и рассчитана на контекст до 512 токенов. В README указана оценка F1 87,1 на dev-наборе SQuAD v1.1; для сравнения приведён результат 88,7 у bert-base-cased. Лицензия — Apache-2.0. Результаты зависят от качества и релевантности входного контекста; модель не предназначена для ответов на вопросы, требующие сведений вне него.

Карточка модели tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-assistant-safetensors-yuxinlu1 на Hugging Face совпадает с карточкой tepirale/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-safetensors-yuxinlu1, поэтому описание составлено по ней. Это версия Gemma 4 12B в формате SafeTensors, опубликованная пользователем tepirale. Согласно карточке, веса преобразованы из GGUF в SafeTensors; метаданные связывают модель с yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF и классифицируют её как дообученную производную. Модель предназначена для диалоговых сценариев с изображениями; теги также указывают на агентное использование, работу с инструментами и кодом. Архитектура — плотная Gemma4UnifiedForConditionalGeneration, размер семейства — 12B по идентификатору модели. Карточка указывает поддержку изображений и текста, а лицензия в метаданных — Apache-2.0. README сообщает о конверсии формата, но не описывает методику преобразования или проверку сохранности поведения; сведений о контекстном окне и поддерживаемых естественных языках в предоставленных данных нет.

OS-Software/Gemma-4-26B-A4B-it-qat-q4_0-unquantized-uncensored-heretic-v2 — экспериментальная производная Gemma 4, предназначенная для исследований безопасности, выравнивания и red teaming. Модель основана на google/gemma-4-26B-A4B-it и дообучена; по метаданным, она использует архитектуру Gemma 4, библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Модель принимает изображения вместе с текстом и выдаёт текст: она подходит для диалога, анализа изображений и документов, распознавания текста на изображениях, понимания графиков и интерфейсов, а также программирования и агентных сценариев. Базовая карточка Gemma 4 указывает поддержку более 35 языков и контекст до 256 тысяч токенов для варианта 26B A4B; эти характеристики относятся к семейству и не подтверждены отдельно для этой производной модели. Карточка рекомендует использовать модель только для исследований и экспериментов, избегая публичного и пользовательского развёртывания. Возможны предвзятость, ошибки фактов и трудности с неоднозначными или сложными запросами; языковые нюансы могут быть поняты неверно.

EZForever/gemma-4-31B-it-qat-uncensored-heretic-UDmerge-GGUF — мультимодальная модель класса image-text-to-text на базе Gemma 4 31B-it. Она создана как merge-модель: объединяет компоненты unsloth/gemma-4-31B-it-qat-GGUF и llmfan46/gemma-4-31B-it-qat-q4_0-unquantized-uncensored-heretic с использованием изменённых, «abliterated» тензоров. Модель предназначена для диалогов, генерации текста и обработки изображений совместно с текстом; для мультимодальной работы требуются файлы mmproj и для поддержки MTP — соответствующий файл mtp от Unsloth. Доступны варианты UDmerge-Q4_K_XL и UDmerge-Q4_K_XXL в формате GGUF. Размеры составляют примерно 17,3 и 18,0 ГБ соответственно. В варианте Q4_K_XL изменённые тензоры квантизуются в Q4_0, а в Q4_K_XXL — в Q8_0; второй вариант, по данным автора, заметно улучшает показатель отказов при почти неизменной скорости генерации, но требует больше памяти. В README не указаны поддерживаемые языки и размер контекстного окна. Сильными сторонами заявлены сохранение качества после квантизации, поддержка мультимодальности и более низкая склонность к отказам в сравнении с исходными моделями. Приведённые результаты зависят от варианта и методики тестирования: для UDmerge-Q4_K_XL указаны 85,83% на MMLU-val и 34% отказов, для UDmerge-Q4_K_XXL — 84,19% и 20% соответственно. Автор предупреждает, что результаты тестов отказов могут быть неточными, а модель создана при значительной помощи LLM и предлагается к использованию на усмотрение пользователя. В метаданных указана лицензия Apache-2.0.

Llama-PLLuM-8B-base-2508 — базовая плотная языковая модель семейства PLLuM, разработанная консорциумом PLLuM и продолжающая развиваться под эгидой HIVE AI. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров; для неё заявлено контекстное окно до 131 072 токенов. Репозиторий предоставляет веса в формате safetensors, лицензия — Llama 3.1. Модель предназначена для генерации текста и как основа для адаптации под прикладные задачи: суммаризацию, ответы на вопросы и специализированных ассистентов. Она ориентирована прежде всего на польский язык и также обучалась на других славянских и балтийских языках и английских данных. README описывает семейство PLLuM в целом; этот чекпойнт обозначен как base-модель, поэтому для диалогового ассистента и конкретных задач может потребоваться дообучение или подключение поиска по документам. Среди ограничений — возможные фактические ошибки и смещения, особенно в спорных темах; длинный контекст может требовать значительных вычислительных ресурсов. Данные обучения отражают источники, доступные до начала 2025 года.

Это модель Longformer-base-4096, дообученная Сураджем Патилом на наборе SQuAD v1 для ответов на вопросы по заданному контексту. Longformer разработан Изом Белтаги, Мэттью Питерсом и Арманом Коха из AllenAI и использует архитектуру на основе трансформера с локальным скользящим вниманием; модель содержит 151,8 млн параметров и рассчитана на последовательности длиной до 4098 токенов. Модель предназначена для извлечения ответа из длинного текста по вопросу пользователя. В README приведены результаты на SQuAD v1: Exact Match 85,15 и F1 91,54. Для задачи вопроса и ответа вопросу назначается глобальное внимание; карточка рекомендует передавать вопрос вместе с контекстом в виде пары входов. Указана лицензия MIT. Обучение на SQuAD v1 не гарантирует качество на других предметных областях или языках.

MeridianPII Hindi/Hinglish v1 — модель токенной классификации для обнаружения персональных данных в текстах на хинди, хинглише и индийском английском. Разработчик дообучил multilingual MiniLM от Microsoft и адаптировал модель к письму деванагари и смешанным языковым текстам. Модель имеет около 65,2 млн параметров, контекст до 512 токенов и поставляется в форматах ONNX и safetensors; README описывает компактную версию ONNX INT8 размером 56 МБ для запуска в браузере через transformers.js. Модель предназначена для локального обнаружения имён, фамилий, телефонов и других контекстных PII перед отправкой текста, например, в размещённую в облаке LLM. В README указаны высокие показатели полноты на тестовом наборе, однако версия v1 заменена v2, обученной на дополнительных данных на хинди и показывающей несколько лучшие результаты. Модель рассчитана на работу вместе с отдельными детерминированными распознавателями структурированных идентификаторов. Известные ограничения: модель может путать метки CITY и STATE, не рассчитана на географические названия за пределами Индии и не обнаруживает структурированные идентификаторы вроде Aadhaar, PAN, IFSC, адресов электронной почты и URL — их должен обрабатывать отдельный слой. Трудными случаями остаются длинные фрагментированные адреса и плотное переключение языков. Лицензия — CC BY 4.0.

zelk12/MT-Gen1-gemma-3-12B — объединённая модель на базе Gemma 3 12B, созданная с помощью mergekit методом DARE TIES. В объединение вошли soob3123/amoral-gemma3-12B-v2, TheDrummer/Fallen-Gemma3-12B-v1, ReadyArt/The-Omega-Directive-Gemma3-12B-v1.0, IlyaGusev/saiga_gemma3_12b, huihui-ai/gemma-3-12b-it-abliterated и soob3123/amoral-gemma3-12B-v2-qat; в README базовой названа soob3123/amoral-gemma3-12B-v2. Модель предназначена для диалоговой генерации текста с пониманием изображений: можно задавать вопросы по картинкам и вести мультимодальный чат. Семейство — плотная Gemma 3 с архитектурой Gemma3ForConditionalGeneration; объём — 12 млрд параметров. Каталог отмечает возможности chat и vision. Языковая лицензия Gemma; условия её применения следует сверять с лицензией Gemma.