I.4Обработка документов и форм

Youssofal/Qwen3.6-27B-Abliterated-Heretic-Uncensored-GGUF — GGUF-версия модифицированной модели Qwen3.6-27B, разработанной на базе Qwen/Qwen3.6-27B. Релиз создан Youssofal с применением Heretic-подобного двухэтапного MPOA-процесса, ослабляющего исходное поведение отказа на уровне весов. Модель предназначена для генерации текста и мультимодальных сценариев с анализом изображений и видео, а также для локального запуска через llama.cpp. Это плотная vision-language модель с 27,8 млрд параметров, 64 слоями и гибридной архитектурой внимания: три слоя линейного внимания на один слой полноформатного внимания в каждой группе из четырёх слоёв. Размер скрытого состояния — 5120. Архитектура сохраняет возможности базовой Qwen3.6-27B, включая поддержку изображений и видео; конкретный набор языков и размер контекстного окна в README не указаны. Доступны варианты GGUF от BF16 и Q8_0 до компактного Q2_K, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сохранение общего профиля возможностей базовой модели, мультимодальность, совместимость с llama.cpp и сниженная склонность к стандартным отказам. По приведённым проверкам, однако, модель не демонстрирует полного устранения отказов и дефлекций, а изменение поведения может влиять на безопасность и надёжность ответов. Пользователь несёт ответственность за применение модели. Релиз распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

TheDrainFlorist/Qwen3.6-35B-A3B-VQ-3.4bpw — компактная векторно-квантизованная версия мультимодальной модели Qwen3.6-35B-A3B, предназначенная для генерации текста и обработки изображений на устройствах Apple Silicon через MLX. Модель содержит vision tower и рассчитана на работу с mlx-lm для текста и mlx-vlm для изображений. В README явно указан английский язык; другие языки и размер контекстного окна не заявлены. Размер артефакта составляет 13,8 GiB, пиковое потребление памяти — около 13,1 GiB. Эксперты модели квантизованы методом vector quantization с параметрами d=4 и K=2048, примерно до 3 бит на вес, а неэкспертные тензоры представлены в 8-битном формате. Заявлена скорость около 66 токенов в секунду на совместимом оборудовании; модель запускается на машинах с 16 GiB памяти при коротком контексте и более комфортно — от 24 GiB. Главное преимущество — существенно меньший размер по сравнению с 4-битной сборкой при лучшем показателе perplexity: 13,8 GiB против 19 GiB, при этом измеренная perplexity составляет 1,029x относительно bf16-версии против 1,041x у 4-битной модели. Ограничение — заметная потеря качества относительно parity-сборки размером 18,7 GiB: top-1 agreement составляет 87,33%, поэтому при наличии достаточного объёма памяти рекомендуется более крупная версия. Для работы с изображениями требуется mlx-vlm версии 0.6.16 или новее, а поддержка model_file обязательна. Лицензия — Apache 2.0.

INCModel3/Qwen3.8-Flash-Next-MXFP4-Mixed-CT-AutoRound — смешанный вариант модели Qwen3.8-Flash-Next, подготовленный Intel с помощью AutoRound и сохранённый в формате llm_compressor. Экспертные слои MLP квантизованы до 4 бит с типом данных MXFP; README также указывает MXFP8 для остальных слоёв, кроме перечисленных исключений. Репозиторий содержит веса Safetensors и предназначен для работы через Transformers. Модель рассчитана на диалоговые задачи с текстом и изображениями, поддерживает интерфейс вызова инструментов. Подходит для ответов на вопросы по изображениям и текстового общения. README предупреждает, что ответы могут содержать фактические ошибки, предвзятость или оскорбительный контент; перед развёртыванием рекомендуется проверка безопасности. Следует соблюдать лицензию исходной модели; репозиторий указывает лицензию other.

Карточка модели SirZQ/VeraRetouch_llava_Qwen2 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

VoRA-7B-Instruct — инструктивная модель семейства VoRA, разработанная Hon-Wong и дообученная на базе Hon-Wong/VoRA-7B-Base. Это плотная авторегрессионная модель с архитектурой VoRAForCausalLM на 7,1 млрд параметров; она рассчитана на диалоговую генерацию текста и работу с изображениями и текстом. Контекстное окно составляет 32 768 токенов. Модель опубликована в формате safetensors и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых помощников, генерации ответов и сценариев, где нужно обрабатывать изображения вместе с текстовыми запросами. Карточка указывает датасет дообучения VoRA-Recap-29M, но не описывает его состав, поэтому нельзя уточнить специализацию обучения или гарантировать качество на конкретных задачах. Лицензия в предоставленных данных не указана.

AfriqueQwen-14B — плотная причинная языковая модель семейства Qwen3, разработанная в рамках набора AfriqueLLM и дообученная методом продолженного предобучения на многоязычных данных. Она основана на Qwen/Qwen3-14B-Base, содержит 14 млрд параметров и использует контекст до 32 768 токенов. Для адаптации использовано около 26 млрд токенов; основное внимание уделено 20 африканским языкам, при этом обучение также сохраняло возможности на английском, французском, португальском и арабском. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, а также для многоязычных задач, включая перевод документов с длинным контекстом. В обучающие данные включены тексты, код, математические материалы и синтетические переводы. Карточка сообщает об оценках на нескольких многоязычных бенчмарках, но не приводит в доступном фрагменте результаты именно этой модели. Репозиторий использует формат Safetensors и библиотеку Transformers; для развёртывания предлагаются vLLM или SGLang. Лицензия — CC BY 4.0.

Dymium-NER-v1 — модель распознавания именованных сущностей, разработанная Dymium и дообученная на DeBERTa-v3-large для обнаружения персональных и других чувствительных данных. Она размечает токены в тексте по 13 типам сущностей, включая адреса, учётные данные и чувствительные даты. Модель предназначена для поиска и редактирования персональных данных в конвейерах ИИ, обнаружения чувствительной информации перед передачей текста LLM, а также для контроля доступа и поддержки процессов управления данными и соблюдения требований GDPR, HIPAA и FedRAMP. Она работает с английским текстом; размер составляет 533,8 млн параметров, максимальная длина контекста — 512 токенов. Для запуска можно использовать Transformers pipeline с задачей token-classification. По заявлению карточки, качество может снижаться на узкоспециализированных текстах, а обнаружение учётных данных зависит от наличия контекста. Численные показатели F1, точности и полноты в README не приведены. Модель распространяется по лицензии Apache-2.0.

testmoto/gemma-2-llm2024-01 — объединённая текстовая модель от testmoto на базе Google Gemma 2 9B. Веса объединены методом DARE TIES с помощью mergekit из базовой Gemma 2 9B и трёх моделей: testmoto/gemma-2-9b-lora-0, testmoto/gemma-2-9b-platypus-02 и testmoto/gemma-2-9b-lora-aozora. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и суммаризации — типичных сценариев базовой модели Gemma 2. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и доступна в формате safetensors для библиотеки Transformers. Языковая специализация объединённой модели в карточке не уточнена. Лицензия и конкретные ограничения применения в карточке не описаны; характеристики качества именно этого объединения также не приведены.

Карточка модели opestro/gemma4-12b-growth-strategist-float16 на Hugging Face совпадает с карточкой opestro/gemma4-12B-Marketer-AA-16Bit, поэтому описание составлено по ней. opestro дообучил мультимодальную инструкционную модель на основе unsloth/gemma-4-12b-it с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Gemma 4 Unified с архитектурой Gemma4UnifiedForConditionalGeneration, предназначенная для диалога и преобразования текста и изображений в текст; в метаданных также заявлен интерфейс вызова инструментов. Базовая модель поддерживает анализ изображений и аудио, видео, код и работу с инструментами, однако карточка этого дообучения не описывает дополнительные возможности или его специализацию в маркетинге. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

gemma-4-12B-it-abliterated-uncensored — созданная aoiandroid версия Gemma 4 12B от Google DeepMind с ослабленными механизмами отказа. Это плотная мультимодальная модель с архитектурой Gemma4UnifiedForConditionalGeneration и примерно 11,95 млрд параметров; веса представлены в BF16. Вариант получен изменением весов google/gemma-4-12B-it методом абляции направлений отказа, при этом структура и совместимость с базовой моделью сохранены. Модель предназначена для диалога и генерации ответов по текстовым, графическим и аудиовходам; также README заявляет работу с видео через тот же мультимодальный интерфейс. Доступен режим рассуждений, включаемый через шаблон чата. Веса занимают около 24 ГБ, поэтому для инференса требуется соответствующая память GPU; для работы нужен достаточно свежий transformers с поддержкой Gemma 4 Unified. Ослабление отказов означает, что модель может отвечать на запросы, от которых базовая модель отказывается. Лицензия — Gemma, унаследованная от базовой модели.

Intern-S2-Preview-397B — мультимодальная модель общего назначения, разработанная командой InternLM. Она предназначена для рассуждений, научных задач и продолжительных агентных сценариев. Модель обучали на визуальных представлениях страниц научной литературы, задачах с подкреплением из более чем 20 научных областей и интерактивных агентных средах. В карточке указано 397B в названии; архитектура обозначена как плотная, класс — InternS2PreviewForConditionalGeneration. Модель принимает текст и изображения, поддерживает диалог, вызов инструментов и режим рассуждения, включённый по умолчанию. README также описывает анализ временных рядов, включая обнаружение сейсмических событий и прогнозирование; для такого ввода указана поддержка только в LMDeploy. В текстовых тестах использовалась длина инференса до 256K токенов, а в мультимодальных — до 64K. Предлагаются LMDeploy, vLLM и SGLang для развёртывания. Языки модели в предоставленных данных не обозначены. Лицензия — Apache-2.0.

Jan-v2-VL-high — мультимодальная vision-language модель, разработанная Jan (JanHq) на базе Menlo/Jan-v2-VL-high и связанная с Qwen-3-VL-8B-Thinking. Модель содержит около 8 млрд параметров и предназначена для многошаговых задач в реальных программных средах, включая браузеры и настольные приложения. Она сочетает обработку текста и изображений, поддерживает визуальное восприятие через скриншоты и интеграцию с инструментами, а заявленный язык — английский. Основной сценарий применения — агентная автоматизация и управление пользовательским интерфейсом, где требуется выполнять длинные последовательности действий, сохранять промежуточное состояние, следовать сложным инструкциям и восстанавливаться после небольших ошибок. Версия high ориентирована на более глубокое рассуждение и обеспечивает более длительное время обработки по сравнению с вариантами low и med. По данным README, модель сохраняет уровень базовой модели на стандартных текстовых и визуальных задачах и показывает более сильное выполнение длинных цепочек действий. К ограничениям относятся повышенная задержка и время рассуждения, характерные для версии high, а также отсутствие в README точного размера контекстного окна и подробных количественных результатов. Модель распространяется по лицензии Apache 2.0 и поддерживает локальный запуск через Jan App, vLLM и llama.cpp; для работы с изображениями в llama.cpp требуется отдельная vision-модель.

LFM2.5-350M-RLCD — репозиторий notnotsamuel с кодом параллельного вывода структурированных данных на основе неизменённых весов LiquidAI/LFM2.5-350M. Модель семейства LFM2 — плотная причинная языковая модель с 444,6 млн параметров и контекстом до 128 000 токенов; для запуска используются Transformers и PyTorch, веса хранятся в safetensors. В README указана работа с английским, французским и испанским языками. Решение предназначено для извлечения значений из текста в поля с ограниченным набором вариантов: оно повторно использует состояние контекста, оценивает кандидаты параллельно, а затем собирает JSON в Python. Поддерживаются плоские схемы, где каждое поле обязательно и имеет тип boolean или непустой строковый enum; пример посвящён классификации обращений в поддержку. В опубликованных синтетических тестах для 28 булевых полей показано ускорение относительно авторегрессивного вывода, но результат зависит от нагрузки и оборудования. Корректный JSON и соответствие поддерживаемой схеме обеспечивает программная сборка, а не точность модели. В тесте на 28 полях ни один метод не получил полностью правильный объект; точность полей для ограниченного вывода составляла 60,7–64,3%. Поля выбираются независимо, оценки не являются калиброванной уверенностью, большие наборы вариантов могут исчерпать память, а неподдерживаемые ограничения схемы отклоняются. Лицензия указана как other; конкретные условия следует сверять с карточкой и файлами репозитория.

Llama-3.2-1B-Instruct-Frog — компактная языковая модель на архитектуре Llama, разработанная phamhai на базе Meta Llama 3.2 1B Instruct и дообученная для задач RAG на вьетнамском языке. Модель содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для диалоговых сценариев, ответов на вопросы с использованием найденных документов, суммаризации, извлечения сущностей, вызова функций и переформулирования вопросов. Небольшой размер позволяет использовать её для быстрого инференса на локальных и периферийных устройствах. Автор отмечает, что у версии 1B слабее понимание запросов и ниже точность в некоторых задачах, включая суммаризацию и извлечение сущностей при вызове функций. Модель распространяется по лицензии Llama 3.2; использование требует соблюдения условий лицензии Meta.

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.

Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

mjwong выпустил дообученную на наборах XNLI и ANLI модель на базе multilingual-e5-large-instruct для многоязычной классификации без примеров. Она использует архитектуру XLM-RoBERTa с примерно 658,7 млн параметров и доступна в форматах PyTorch и Safetensors. Модель принимает текст и заданные пользователем названия классов, а затем оценивает принадлежность текста к этим классам; её также можно применять для задач определения отношений между посылкой и гипотезой (NLI). Окно контекста составляет 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также на MultiNLI и ANLI. Лицензия CC-BY-NC-4.0 ограничивает использование условиями этой лицензии, включая некоммерческий характер. Качество зависит от формулировок текста и меток классов; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других данных.

Это англоязычная модель распознавания именованных сущностей: энкодер BERT base uncased с головой классификации токенов, дообученный на наборе CoNLL-2003. Она присваивает метку каждому токену и выделяет людей, организации, местоположения и прочие сущности в новостном тексте. Модель содержит 136,7 млн параметров, использует контекст до 512 токенов и доступна в формате safetensors через библиотеку Transformers. На тестовой выборке CoNLL-2003 указаны precision 0,896, recall 0,909 и F1 0,902 на уровне сущностей; слабее всего модель распознаёт класс MISC. Она рассчитана на английские новости, а uncased-токенизатор не сохраняет регистр и может разбивать многословные сущности на подслова; для объединения фрагментов в сущности README рекомендует aggregation_strategy="simple". Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-ROCmFPX-AGENT-GGUF — это квантованный вариант мультимодальной модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Модель распространяется в формате GGUF и предназначена для генерации текста, работы с изображениями, агентских сценариев и вызова инструментов. Она использует архитектуру Mixture-of-Experts с 256 экспертами и примерно 3 млрд активных параметров, а также встроенную MTP-голову для speculative decoding. В репозитории представлены варианты Q6_0 и Q8_0 ROCmFPX AGENT, размером примерно 30,89–34,74 GiB и с повышенной точностью отдельных компонентов, включая output.weight, что ориентировано на качество tool calling и принятия speculative draft. В комплект входит vision projector. Проверена работа с текстом и изображениями; заявлены контекст 4096 токенов и поддержка мультимодального ввода, однако перечень языков отдельно не указан. Модель оптимизирована для AMD Strix Halo, включая Ryzen AI MAX+ 395 с 128 ГБ объединённой памяти, и требует сборки llama.cpp с поддержкой ROCmFPX и ROCm 7.2.4. Она не загружается в стандартные llama.cpp, Ollama или LM Studio. Встроенный MTP в измерениях не ускорил, а замедлил генерацию, поэтому его применение ограничено экспериментальными сценариями. Лицензия — Apache-2.0.

SauerkrautLM-ColQwen3-2b-v0.1 — мультимодальная модель VAGOsolutions для визуального поиска по документам. Она дообучена на базе Qwen/Qwen3-VL-2B и использует архитектуру ColQwen3 с многовекторными представлениями и поздним взаимодействием в стиле ColBERT. Модель принимает изображения страниц документов и текстовые запросы, а выдаёт векторы для поиска по содержимому страниц. Модель предназначена для извлечения релевантных страниц без отдельного OCR-конвейера: она учитывает расположение элементов, таблицы, формы и диаграммы. В README указаны 2,2 млрд параметров, размерность представлений 128 и потребление около 4,4 ГБ видеопамяти. Для оценки заявлены результаты ViDoRe v1, MTEB v1+v2 и ViDoRe v3; это показатели бенчмарков, а не гарантия качества на пользовательских данных. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Модель распространяется по лицензии Apache-2.0.

Skywork-R1V2-38B — открытая мультимодальная модель рассуждений компании Skywork, построенная на архитектуре InternVL Chat. Она принимает изображения и текст и предназначена для визуальных вопросов и ответов, анализа изображений и решения задач, требующих визуального и текстового рассуждения. В README указаны результаты на MMMU — 73,6% и OlympiadBench — 62,6%, а также оценки на MathVision, MMMU-Pro и MathVista; размеры контекста и число параметров в доступных данных не приводятся. Модель распространяется в формате safetensors и лицензирована по MIT. Метаданные указывают поддержку чата и интерфейс вызова инструментов.

deepset/xlm-roberta-base-squad2-distilled — многоязычная модель для извлекающего ответа на вопросы, разработанная deepset с помощью дистилляции в Haystack. Учитель модели — deepset/xlm-roberta-large-squad2; обучение и оценка проводились на SQuAD 2.0. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает контекст длиной до 514 токенов. Модель находит ответ на вопрос непосредственно во входном тексте и подходит для поиска ответов в документах, в том числе в конвейерах Haystack. Она поддерживает несколько языков, но карточка не перечисляет их по отдельности. Лицензия — MIT. Оценка в карточке приведена для SQuAD 2.0; качество на других языках и типах текстов может отличаться.

answer-finder-v1-L-multilingual — модель для извлечения ответов из предоставленного текста, разработанная Sinequa. Она оценивает позиции начала и конца ответа в тексте; архитектура — BERT для вопросно-ответных задач, размер по метаданным — 151,7 млн параметров, максимальный контекст — 512 токенов. README указывает базовую модель bert-base-multilingual-cased, дополнительно предварительно обученную Sinequa для английского, французского, немецкого и испанского языков, и сообщает, что модель нечувствительна к регистру и акцентам. Модель предназначена для поиска ответов на вопросы по документам или фрагментам текста. В карточке приведены результаты F1 75 на SQuAD v2 для английского и 73,4 для французского, а также замеры скорости и памяти на GPU. Модель распространяется в формате PyTorch; README указывает минимальную версию Sinequa 11.10.0 и требования к CUDA. Лицензия в предоставленных данных не указана.

Dream Shimmer LR6 — разработанная Скоттом Леймротом версия Muse Glimmer 30B с изменением весов, снижающим склонность модели отказывать на обычные запросы. Это не дообучение: автор применил целевую правку весов в матрицах внимания и MLP, сохранив архитектуру Muse Glimmer и башню зрения. Модель поддерживает диалог с изображениями и ориентирована на агентные сценарии: многошаговое выполнение задач, использование инструментов и длинные диалоги. По опубликованным автором измерениям LR6 сопоставима с базовой моделью в использовании инструментов, структурированном выводе и обработке длинного контекста, но хуже справляется с соблюдением ограничений в многошаговых диалогах и надёжностью агента. Снижение отказов намеренное; модель недостаточно защищена от инъекций в запросы, поэтому ограничения инструментов следует обеспечивать вне модели и не помещать секреты в её контекст. Эти результаты получены самим автором и не являются независимой оценкой. Репозиторий использует формат safetensors и лицензию Apache-2.0; README указывает, что следует также учитывать лицензию базовой модели.

BAAI/Emu3-Chat — мультимодальная модель команды Emu3 из BAAI, построенная на плотном трансформере Emu3ForCausalLM с 7,7 млрд параметров. Она обучена с нуля предсказывать следующий токен в последовательностях, где изображения, текст и видео представлены дискретными токенами. Модель предназначена для генерации текста в ответ на запросы и для мультимодальных сценариев, описанных для семейства Emu3: понимания изображений, создания изображений по тексту, продолжения видео и предсказания его дальнейшего содержания. Архитектура семейства объединяет генерацию и восприятие в одном трансформере; заявлена гибкая поддержка разрешений и стилей изображений. В метаданных указано контекстное окно 131 072 токена. Карточка не уточняет отдельные показатели качества именно версии Chat и перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

HaS Text — компактная языковая модель для локальной обработки конфиденциального текста, разработанная автором репозитория maoge888888. Она дообучена на базе Qwen3-0.6B-Base и предназначена для конвейера защиты данных: распознавания именованных и чувствительных сущностей, их согласованной анонимизации и восстановления по сохранённому словарю соответствий. Модель поддерживает китайский, английский, португальский, французский, испанский, немецкий, корейский и японский языки. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит около 508 млн параметров. Репозиторий содержит веса Safetensors в FP16; заявленный контекст — 32 768 токенов. Среди описанных возможностей — семантические метки для заменённых сущностей, разрешение вариантов написания одной сущности, согласованность между ходами диалога и обработка длинных документов частями. Для инференса README рекомендует локальный запуск через llama.cpp; производительность приведена для Apple M4 Pro и может отличаться на другом оборудовании. Модель рассчитана на NER и генерацию текста при анонимизации, но качество зависит от точного соблюдения обучающих шаблонов промптов: README предупреждает, что отклонения могут ухудшить результат. Указанная лицензия — MIT. В README FP16-версия названа базовой для дообучения и исследований, а для производственного развертывания рекомендованы отдельные квантованные варианты.

Карточка модели xuanwulab/HaS_Text_0209_0.6B на Hugging Face совпадает с карточкой maoge888888/HaS_Text_0209_0.6B, поэтому описание составлено по ней. HaS Text — компактная языковая модель для локальной обработки конфиденциального текста, разработанная автором репозитория maoge888888. Она дообучена на базе Qwen3-0.6B-Base и предназначена для конвейера защиты данных: распознавания именованных и чувствительных сущностей, их согласованной анонимизации и восстановления по сохранённому словарю соответствий. Модель поддерживает китайский, английский, португальский, французский, испанский, немецкий, корейский и японский языки. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит около 508 млн параметров. Репозиторий содержит веса Safetensors в FP16; заявленный контекст — 32 768 токенов. Среди описанных возможностей — семантические метки для заменённых сущностей, разрешение вариантов написания одной сущности, согласованность между ходами диалога и обработка длинных документов частями. Для инференса README рекомендует локальный запуск через llama.cpp; производительность приведена для Apple M4 Pro и может отличаться на другом оборудовании. Модель рассчитана на NER и генерацию текста при анонимизации, но качество зависит от точного соблюдения обучающих шаблонов промптов: README предупреждает, что отклонения могут ухудшить результат. Указанная лицензия — MIT. В README FP16-версия названа базовой для дообучения и исследований, а для производственного развертывания рекомендованы отдельные квантованные варианты.

HEBATRON — языковая модель, разработанная PwC Israel и MAFAT при участии AWS. Она дообучена на базе NVIDIA Nemotron-3-Nano-30B и предназначена прежде всего для работы на иврите, включая анализ его морфологии и разных регистров речи; также заявлена поддержка английского языка. Архитектура сочетает Mamba2 и разреженный Mixture-of-Experts. В репозитории указано 1,9 млрд параметров, а README описывает исходную конфигурацию как модель на 31,6 млрд параметров. Метаданные указывают контекст до 262 144 токенов; README сообщает о настройке на окно 64 тыс. токенов. Модель подходит для анализа длинных юридических и технических документов, суммаризации и двуязычных рассуждений на иврите и английском. В README также приведены результаты тестов на рассуждение, математические задачи и понимание текста; эти показатели заявлены авторами карточки. Для запуска в README рекомендуются vLLM и мощные GPU. Модель распространяется по лицензии Apache 2.0. Как и у других языковых моделей, её ответы могут содержать фактические ошибки и требуют проверки.

Модель barc0/Llama-3.1-ARC-Potpourri-Transduction-8B — дообученная версия Meta Llama 3.1 8B Instruct, созданная на пяти наборах данных по трансдукции, включая задачи ReARC и задачи с описаниями, сгенерированными GPT-4 и GPT-4o-mini. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров, опубликованная в формате safetensors для библиотеки Transformers; заявленное окно контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и решения задач трансдукции, где требуется преобразовать входные данные в заданный выходной формат. Карточка также отмечает интерфейс вызова инструментов, однако подробные сценарии применения и результаты оценки, кроме значения loss 0,0219 на оценочном наборе, не описаны. Модель распространяется по лицензии Llama 3.1. Карточка не содержит сведений о поддерживаемых естественных языках или конкретных ограничениях качества; как и другие генеративные модели, её ответы требуют проверки, особенно при использовании кода или структурированных преобразований.