II.10Разработка и эксплуатация AI/ML-систем

Pollux-4B-Judge — русскоязычная генеративная модель для оценки ответов других языковых моделей. Её разработали как компонент проекта POLLUX, дообучив Qwen/Qwen3-4B; модель имеет декодерную архитектуру и около 3,7 млрд параметров. Она принимает текст задания, ответ, один критерий оценки и соответствующую шкалу, а также при наличии эталонный ответ, после чего генерирует численную оценку и текстовое обоснование. Контекст модели составляет до 40 960 токенов. Модель предназначена для автоматизированной оценки качества ответов на русскоязычные задачи, в том числе в исследовательских и прикладных контурах проверки LLM. В README приведены результаты сравнения с экспертными оценками по RMSE, macro F1 и корреляции Спирмена. Для надёжной работы нужно задавать критерий и шкалу явно и оценивать по одному критерию за запуск; одновременная оценка нескольких критериев и самостоятельный выбор критерия не входят в целевой сценарий. Лицензия — MIT.

pollux-judge-32b — русскоязычная генеративная модель на 32 млрд параметров, разработанная для автоматической оценки ответов других языковых моделей. Она принимает исходную инструкцию, ответ, один критерий оценки и соответствующую шкалу, а также эталонный ответ при наличии; в результате выдаёт численную оценку и текстовое обоснование. Модель создана в рамках проекта POLLUX и дообучена на базе t-tech/T-pro-it-1.0; архитектура — плотная decoder-only Qwen2, формат весов — Safetensors, контекст — до 32 768 токенов. Основной сценарий — оценка текстового ответа по одному заранее заданному критерию за запуск. Модель оптимизирована для русскоязычных задач и критериев из таксономий набора POLLUX. Одновременная оценка по нескольким критериям и самостоятельный выбор критериев не соответствуют её назначению и могут давать непредсказуемые результаты. В README также отмечено, что ответы могут содержать ошибки или смещения и требуют проверки. Лицензия — MIT.

Карточка модели ToxicityPrompts/PolyGuard-Ministral на Hugging Face совпадает с карточкой ToxicityPrompts/PolyGuard-Qwen-Smol, поэтому описание составлено по ней. ToxicityPrompts/PolyGuard-Qwen-Smol — компактная многоязычная модель для модерации безопасности ответов LLM, разработанная авторами PolyGuard. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. В карточке заявлена поддержка 17 языков: арабского, чешского, китайского, нидерландского, английского, французского, немецкого, хинди, тайского, итальянского, японского, корейского, польского, португальского, русского, испанского и шведского. Модель предназначена для оценки безопасности пользовательских запросов и ответов LLM, включая выявление вредоносного или токсичного содержания и отказов в ответе. PolyGuard обучена на PolyGuardMix из 1,91 млн примеров и представлена вместе с набором PolyGuardPrompts для оценки защитных механизмов. По описанию авторов, в проведённых оценках она превзошла другие открытые и коммерческие классификаторы безопасности в среднем на 5,5%. Метаданные указывают задачу text-generation и возможности чата; поэтому её можно применять в текстовых сценариях модерации и защитных цепочках LLM. Лицензия — CC BY 4.0. Карточка не уточняет ограничения по применению и ошибки классификации; результаты модерации следует проверять с учётом языка и контекста, особенно в критичных сценариях.

Prometheus 2 8x7B — языковая модель для детальной оценки ответов других языковых моделей и обучения reward-моделей в RLHF. Её разработала команда Prometheus; модель основана на Mistral-Instruct, дообучена на наборах Feedback Collection и Preference Collection, а затем объединена слиянием весов, чтобы поддерживать два режима оценки: абсолютное выставление баллов по рубрике и попарное ранжирование ответов. Модель принимает текстовый запрос на английском языке с инструкцией, ответом или парой ответов, критериями оценки и эталонным ответом. Она выдаёт текстовую обратную связь и оценку либо решение о том, какой ответ лучше. Архитектура — Mixtral MoE; число параметров указано в метаданных как 7,1 млрд, контекст — до 32 768 токенов. Для применения нужны соответствующие шаблоны промптов и формат диалога Mistral. Модель предназначена для оценки качества ответов и сравнения вариантов в исследовательских и прикладных конвейерах RLHF. Лицензия — Apache 2.0. Оценки зависят от заданных инструкции, рубрики и эталона; модель ориентирована на английский язык.

Prismor разработала prompt-guard-1.5b — англоязычный классификатор для обнаружения prompt injection. Модель дообучена с помощью LoRA на базе Qwen/Qwen2.5-1.5B-Instruct на примерно 10 000 размеченных примерах и содержит 1,5 млрд параметров. Она принимает текстовый запрос и классифицирует его как INJECTION или SAFE; заявленная длина контекста — 32 768 токенов. Модель предназначена для проверки пользовательского ввода перед передачей языковой модели, защиты RAG-конвейеров и агентов, а также для журналирования и оповещений о возможных атаках. В независимом тесте на 5 000 примерах авторы сообщают F1 0,726 и полноту 0,893, но доля ложных срабатываний составила 0,379. Лицензия — Apache-2.0. Модель медленнее специализированных классификаторов DeBERTa: авторы указывают около 60 мс на пример на GPU L40S против примерно 9 мс. К известным ограничениям относятся частые ложные срабатывания на безопасных текстах, слабая работа с обфусцированными инъекциями и отсутствие обучения против адаптивных атакующих. Модель рассчитана на английский язык; качество для других языков не установлено.

QuantSafe Refusal ModernBERT — компактный англоязычный классификатор, разработанный для QuantSafe Certifier на основе answerdotai/ModernBERT-base. Модель дообучена различать семантические отказы и ответы, выполняющие запрос: метка 1 означает отказ, метка 0 — соответствие запросу. Она принимает текст и выдаёт классификационную метку. Модель предназначена для проверки ответов языковых моделей на наличие отказа. В README сообщается о сбалансированном обучающем наборе из 37 934 пар «запрос — ответ» WildGuardMix и внешней проверке на 441 однозначном ответе GPT-4 из XSTest; на этом тесте указана точность 0,9773 и F1 отказов 0,9760. Архитектура ModernBERT — encoder-only классификатор последовательностей; размер составляет 149 млн параметров, контекст — до 8192 токенов. Репозиторий использует safetensors и библиотеку Transformers. Это детектор отказов, а не универсальный классификатор вредоносности. Результат следует использовать как сигнал для проверки, а не как самостоятельное решение о безопасности. Лицензия — Apache-2.0.

yavuz-ai разработала reward-модель на основе Qwen2.5-1.5B-Instruct: к модели добавлена скалярная классификационная голова, а LoRA-адаптер объединён с весами в отдельный чекпойнт. Модель обучена на 10 тысячах пар предпочтений из UltraFeedback с использованием Bradley–Terry: более предпочтительный ответ должен получать более высокий балл. Модель предназначена для оценки и ранжирования ответов ассистента, в том числе как компонента классического цикла RLHF с PPO. В README сообщается точность 0,757 на отложенной выборке из 1000 пар. Она построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров, принимает текст и выдаёт скалярную оценку через задачу классификации последовательностей. Базовая модель поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Red Hat выпустила вспомогательную модель EAGLE-3 для ускорения генерации ответов моделью Qwen/Qwen3-235B-A22B-Instruct-2507 с помощью спекулятивного декодирования. Она предсказывает черновые токены, которые проверяет основная модель, и предназначена для запуска совместно с ней, например через vLLM и endpoint /chat/completions с шаблоном чата Qwen3. Архитектура модели — Eagle3Speculator; веса опубликованы в формате safetensors. Модель не является самостоятельной чат-моделью: для работы ей необходима указанная модель-верификатор. В README описано обучение на наборах Magpie-Align/Magpie-Llama-3.1-Pro-300K-Filtered и train_sft из HuggingFaceH4/ultrachat_200k. Лицензия — Apache-2.0. Карточка приводит конфигурации и результаты оценки, но не содержит численных итогов в доступном описании.

AdaFlash — модель-черновик для ускорения генерации текста моделью Qwen3-8B с помощью спекулятивного декодирования. Она разработана как адаптивный диффузионный черновик: голова адаптивной длины динамически выбирает число кандидатов на каждом шаге, балансируя скорость и долю принятых кандидатов. Модель дообучена на основе z-lab/Qwen3-8B-DFlash-b16 методом on-policy distillation с данными PerfectBlend и reverse-KL loss. Модель имеет плотную архитектуру Qwen3, класс DFlashDraftModel и 1,6 млрд параметров. Она принимает текст и выдаёт черновые текстовые кандидаты, предназначенные для проверки целевой моделью; заявленная длина контекста — 40 960 токенов. Репозиторий содержит веса Safetensors, модель использует библиотеку Transformers и требует сборку SGLang с патчем PR #34171 для сервинга. Лицензия — Apache-2.0.

Qwen3-Nemotron-235B-A22B-GenRM — генеративная модель оценки ответов, разработанная NVIDIA на основе Qwen3-235B-A22B-Thinking-2507 и дообученная для сравнения качества ответов ассистента. Она принимает историю диалога, новый запрос пользователя и два варианта ответа, затем выдаёт отдельную оценку полезности каждого ответа по шкале от 1 до 5 и оценку их сравнительного ранжирования по шкале от 1 до 6. Модель построена на архитектуре Transformer семейства Qwen3 MoE; в README указано 235 млрд параметров, а в метаданных — 18,2 млрд. Она принимает и выдаёт текст, карточка описывает английский язык, а максимальная длина контекста в README заявлена до 128 тыс. токенов; метаданные указывают нативный контекст 40 960 токенов. Модель предназначена для оценки предпочтительности ответов, в том числе в циклах обучения с подкреплением по человеческим отзывам; NVIDIA использовала её при обучении Nemotron-3-Nano-30B-A3B-BF16. Для вывода README описывает запуск через vLLM и NeMo-RL на оборудовании NVIDIA Hopper. В тестах, приведённых в карточке, указаны результаты RM-Bench 87,3 и JudgeBench 87,4 по общему показателю. Лицензия — Apache-2.0; карточка заявляет возможность коммерческого и некоммерческого использования. Для развёртывания модели такого заявленного размера требуется значительная вычислительная память и инфраструктура ускорителей; результаты оценки зависят от формата входных данных и не заменяют проверку качества для конкретного применения.

ReasoningShield-3B — специализированная модель модерации от команды ReasoningShield для выявления рисков в промежуточных рассуждениях больших языковых моделей. Она основана на Llama 3.2 3B Instruct и дообучена на парах запросов и цепочек рассуждений; архитектура — плотная LlamaForCausalLM, размер — 3,2 млрд параметров, контекст — до 131 072 токенов. Модель принимает текст и генерирует текстовый анализ и оценку безопасности. Модель предназначена для проверки цепочек рассуждений и ответов на признаки насилия, ненависти и токсичности, обмана и дезинформации, нарушений прав, сексуального контента, эксплуатации детей, киберугроз и других рисков. README заявляет пошаговый анализ риска и средний F1 выше 91% на открытых трассах рассуждений; это результаты авторской оценки, а не гарантия качества на новых данных. Модель ориентирована на английский язык. Доступна под лицензией Apache-2.0.

OpenAssistant/reward-model-deberta-v3-base — модель оценки ответов, разработанная OpenAssistant на базе DeBERTa-v3-base. Получая вопрос и сгенерированный ответ, она предсказывает, насколько ответ предпочтителен по человеческим оценкам; модель предназначена для сравнения качества ответов в системах вопросов и ответов и для использования в качестве функции вознаграждения при RLHF. Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Она обучена на наборах сравнений WebGPT, резюме и синтетических инструкций. В README приведена точность на проверочных выборках, но отдельно отмечено, что результаты на синтетических парах могут быть завышены из-за поверхностных признаков. Лицензия — MIT.

OpenAssistant/reward-model-electra-large-discriminator — модель вознаграждения, разработанная OpenAssistant и обученная на человеческих предпочтениях. Она оценивает ответы на вопрос, чтобы определить, какой из них предпочтительнее; её можно применять для оценки QA-моделей и как функцию вознаграждения в RLHF. Модель использует архитектуру ELECTRA Large с классификационной головой для последовательностей и содержит 433,9 млн параметров. Она принимает текст и выдаёт классификационную оценку; нативная длина контекста составляет 512 токенов. Обучающие данные включают WebGPT Comparisons, Summarize from Feedback и синтетические пары инструкций и ответов. Карточка приводит точность на валидации для нескольких наборов данных, но отмечает, что различение синтетических пар может опираться на поверхностные закономерности. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0. Её оценки могут зависеть от распределения и артефактов обучающих данных, поэтому результат не следует считать универсальным суждением о качестве ответа.

Ray2333/reward-model-Mistral-7B-instruct-Unified-Feedback — модель вознаграждения, разработанная Ray2333 путём дообучения Mistral-7B-Instruct-v0.2 на наборе предпочтений llm-blender/Unified-Feedback. Она оценивает ответы и подходит для моделирования человеческих предпочтений и выравнивания больших языковых моделей; автор сообщает о точности 0,7740 на тестовых наборах и приводит результаты сравнения с другими reward-моделями. Модель использует плотную архитектуру MistralForSequenceClassification, содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель рассчитана на английский язык. Лицензия — MIT. Она предназначена для оценки и ранжирования ответов в контурах обучения и выравнивания, а не для непосредственной генерации пользовательских ответов.

gaotang/RM-R1-DeepSeek-Distilled-Qwen-7B — языковая модель для оценки предпочтений между двумя ответами. Она сначала генерирует структурированные критерии или цепочку рассуждений, затем выносит вердикт о предпочтительном ответе. Модель разработана в рамках проекта RM-R1; этот вариант дообучен на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2 с 7,1 млрд параметров. Модель предназначена для оценки ответов в сценариях RLHF и RLAIF, автоматического судейства диалогов и ответов на открытые вопросы, а также исследований объяснимой оценки и проверки рассуждений. Контекст составляет 131 072 токена. Карточка указывает поддержку английского языка и диалоговый режим; модель выдаёт текстовые обоснования и предпочтение. Репозиторий содержит веса Safetensors для Transformers. Лицензия MIT. Заявленные в карточке преимущества относятся к бенчмаркам оценки reward-моделей; фактическое качество может зависеть от типа ответов и способа использования модели. Для применения в оптимизации политик её следует использовать как оценщик пар ответов.

zli12321/roberta-large-qa-evaluator — англоязычная модель на архитектуре RoBERTa-Large, предназначенная для оценки ответов систем вопросно-ответного поиска. Карточка связывает её с набором PEDANTS для оценки ответов; README пакета QA-Evaluation-Metrics описывает сопоставление ответа кандидата с эталонными ответами с учётом вопроса. Метаданные указывают 454,1 млн параметров, контекст до 514 токенов и формат safetensors. Модель можно использовать для проверки, соответствует ли ответ на вопрос одному из эталонных ответов, и для оценки качества QA-моделей на коротких и средних ответах. Метаданные Hugging Face задают задачу text-classification, хотя архитектура RobertaForMaskedLM и классификация каталога также указывают на fill-mask; для поиска оценки ответов основная задача — text-classification. Лицензия репозитория — MIT. README описывает пакет и семейство доступных моделей, но не раскрывает подробности обучения именно этого чекпойнта.

Safety Classification — англоязычный классификатор безопасности текста, разработанный Locus Lab путём дообучения энкодерной модели Alibaba-NLP/gte-large-en-v1.5. Модель предназначена для присвоения тексту оценок безопасности и подходит для автоматической проверки пользовательских запросов или текстовых ответов. Модель использует архитектуру последовательной классификации и содержит 433,9 млн параметров. Она принимает текст, выдаёт метки или оценки классификации и поддерживает контекст до 8192 токенов. Для использования указаны Transformers и загрузка с trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

saroku-guard — англоязычный классификатор безопасных вызовов инструментов ИИ-агентами, разработанный для проекта saroku. Он проверяет отдельный вызов инструмента вместе с аргументами и окружающим контекстом непосредственно перед выполнением и выдаёт метку safe или unsafe; для небезопасного вызова также возвращает категорию нарушения. Модель основана на DeBERTa-v3-base и дообучена для классификации текста; в метаданных указаны 211,6 млн параметров и контекст до 512 токенов. Весы в формате safetensors, лицензия Apache 2.0. Модель предназначена для локального высокоскоростного первичного фильтра в конвейере выполнения действий агента. Она рассчитана на проверку текста вызова инструмента на английском языке и, согласно карточке, ориентирована на полноту обнаружения небезопасных действий. Категория нарушения служит дополнительной информацией для журналирования и проверки. saroku-guard не предназначена для модерации диалогов, обнаружения jailbreak или prompt injection в произвольном чате и аудита уже выполненных действий. Это первый уровень защиты, а не полноценная система безопасности; для необратимых или высокорисковых действий рекомендуется дополнительная углублённая проверка.

SCX разработала эту модель совместно с Knowledgator. Это компактный классификатор на базе GLiClass, дообученный на Qwen/Qwen3-0.6B и предназначенный для маршрутизации запросов к языковым моделям и других задач классификации без генерации текста. Модель оценивает набор заданных меток за один проход; список кандидатов и категории можно менять при запуске без дополнительного обучения. Модель поддерживает маршрутизацию к одной из восьми LLM, определение типа и сложности задачи, потребности в рассуждении и ожидаемой длины ответа, а также классификацию возможной галлюцинации. Для диалоговых сценариев предусмотрен KV-кэш по сессиям, который позволяет повторно классифицировать новые сообщения, кодируя только добавленные токены. README приводит результаты бенчмарков, но отмечает, что часть сквозных оценок относится к предыдущему чекпойнту и не была повторена для текущего. Модель принимает текст и выдаёт метки классов с оценками. В метаданных указан английский язык; размер базовой модели — 0,6 млрд параметров. Лицензия — Apache-2.0. Классификация зависит от выбранного набора меток, а близкие по смыслу категории могут путаться; качество маршрутизации также зависит от кандидатов и порога принятия решения.

Это модель Silero VAD версии 6.2 в формате ONNX, опубликованная пользователем istupakov для работы с onnx-asr. Она определяет участки речи в аудиозаписи и может использоваться как этап предварительной обработки перед распознаванием речи, например вместе с Parakeet v3 ASR для анализа WAV-файлов. Формат ONNX позволяет запускать модель через совместимые среды выполнения.

NVIDIA Streaming Citrinet 1024 для украинского языка — потоковая модель автоматического распознавания речи, разработанная NVIDIA. Это неавторегрессионная архитектура Citrinet с CTC-декодированием, примерно 141 млн параметров. Модель дообучена на украинской речи методом переноса знаний с русской Citrinet-1024 и обучалась на 69 часах проверенных записей Mozilla Common Voice 10.0. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает текстовую расшифровку украинской речи в нижнем регистре, включая пробелы и апострофы. Её можно применять для распознавания речи в потоковом режиме, пакетной транскрибации и как контрольную точку NeMo для инференса или дальнейшего дообучения; также поддерживается развёртывание через NVIDIA Riva. Лицензия — CC-BY-4.0. В README приведены результаты WER на тестовых и валидационных наборах Common Voice 8–10. Качество может снижаться на технической лексике, непривычных разговорных вариантах и акцентированной речи.

TIPS-Qwen3-4B-Thinking-2507-Agent — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная XingYing-stack на основе Qwen/Qwen3-4B-Thinking-2507. Модель дообучена методом outcome-only GRPO и предназначена для генеративного оценивания траекторий многошаговых агентных диалогов. Она проверяет отдельные шаги и помогает находить первую ошибку в последовательности действий агента. Для работы следует использовать шаблоны промптов и скрипты оценки из репозитория TIPS. Модель построена на verl и распространяется по лицензии Apache-2.0. Это специализированная модель вознаграждения и проверки процессов, а не универсальный чат-бот. В метаданных указан контекст до 262 144 токенов; карточка не описывает поддерживаемые естественные языки.

UniFilter-Qwen3-0.6B — мультимодальный классификатор качества данных, разработанный авторами UniFilter для фильтрации наборов данных, используемых при обучении мультимодальных языковых моделей. Он оценивает качество пар изображение–текст и документов с чередующимися изображениями и текстом, выдавая оценку качества для отбора примеров. Модель объединяет языковую основу Qwen3-0.6B и визуальный энкодер SigLIP 2 SO400M; в метаданных архитектура указана как LlavaQwen3Classifier. Вместо языковой головы генерации текста используется голова оценки качества. Модель содержит 507,9 млн параметров, принимает изображения и текст и обучалась на синтетических парах примеров с оценками качества. Для репозитория указано контекстное окно 40 960 токенов. Модель предназначена для пакетного выставления оценок и фильтрации мультимодальных обучающих данных, включая подписи к изображениям и документы со смешанными текстовыми и визуальными фрагментами. Она компактнее упомянутой в README версии UniFilter на 1,5 млрд параметров. README описывает обучение классификатора и генерацию оценок, но конкретные показатели качества для этой версии не приводит. Лицензия — MIT.

UniRRM-8B — многоязычная модель оценки ответов, разработанная SUSTech-NLP на базе Qwen3-8B. Она предназначена для сравнения ответов и выставления им оценок по критериям, которые модель формирует с учётом задания и инструкции. Поддерживаются попарная, списочная и поэлементная оценка; модель анализирует задачу, строит критерии и выдаёт структурированное обоснование с итоговым суждением. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors. README описывает обучение в два этапа: SFT и GRPO на данных MixReward; заявлена поддержка 103 языков и шести областей данных. Метаданные указывают контекст до 40 960 токенов и мультиязычные языки, включая русский. Лицензия — Apache-2.0. UniRRM-8B подходит для оценки качества ответов в системах генерации и при сравнении вариантов ответа. Это генеративная модель оценки: в отличие от простой выдачи числового рейтинга, она формирует критерии и текстовое рассуждение. Заявленные языковой охват и несколько режимов оценки описаны в карточке модели; независимые гарантии качества для каждой задачи и языка не приведены.

URM-LLaMa-3.1-8B — дообученная модель оценки ответов (reward model) на базе Skywork-Reward-Llama-3.1-8B, разработчик — LxzGordon. Модель оценивает ответы по пяти атрибутам: полезность, корректность, связность, сложность и многословность. Её можно применять для сравнения вариантов ответа, ранжирования ответов и отбора примеров для выравнивания языковых моделей. Архитектура основана на плотной LLaMA; модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. К базовой модели добавлена учитывающая неопределённость голова оценки атрибутов, а обученный gating-слой объединяет оценки в итоговую награду. Обучение проводилось в два этапа на HelpSteer2 и Skywork-Reward-Preference-80K-v0.1. Репозиторий содержит веса в формате safetensors. Модель предназначена для оценки текстовых ответов, а не для генерации пользовательских ответов. Карточка не приводит сведения о лицензии и языковом охвате, поэтому их нельзя определить по доступным данным.

Vela Halu — модель компании vllm-sr для проверки ответов на соответствие предоставленным свидетельствам. Это дообученный 307-миллионный энкодер ModernBERT для классификации токенов: он помечает фрагменты ответа как поддержанные контекстом или галлюцинированные и возвращает границы фрагментов в символьных смещениях Unicode. Модель предназначена для проверки ответов, основанных на документах, в том числе текста и кода; README сообщает о тестировании на наборе из 10 698 примеров и приводит метрики обнаружения фрагментов и ответов. Модель принимает текст ответа вместе с доказательствами; заявленная в README длина входа — до 8 192 токенов с учётом специальных токенов. Метаданные указывают контекстное окно базовой модели в 32 768 токенов. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache 2.0. Поддерживаемые языки в карточке не перечислены. Обнаружение опирается на соответствие явным свидетельствам: оно не проверяет истинность утверждений в целом, а арифметические задачи и рассуждения в несколько шагов могут ошибочно помечаться как галлюцинации.

Vietnamese_Embedding_v2 — модель эмбеддингов на базе Sentence Transformers, дообученная AITeamVN на BAAI/bge-m3 для улучшения поиска по текстам на вьетнамском языке. Обучение проводилось на примерно 1,1 млн троек из запросов, релевантных и нерелевантных документов. Архитектура — XLM-RoBERTa с плотными векторами размерности 1024; модель оценивает сходство скалярным произведением. Метаданные указывают контекст до 8194 токенов, а README сообщает о максимальной длине последовательности 2048 токенов для документов и 256 для запросов. Модель предназначена для построения векторного поиска и извлечения релевантных документов по вьетнамским запросам. В оценке на наборе Legal Zalo 2021 она показала Accuracy@10 0,9578 и MRR@10 0,8149; README отмечает, что модель не обучалась на этом наборе. Результат на юридических данных несколько ниже, чем у базовой фазы, но авторы указывают, что более крупные данные обучения могут быть полезны для других областей. Лицензия — Apache 2.0.

Vinci-MLE-8B-1.0 — языковая модель на 8,4 млрд параметров, разработанная канадской лабораторией SimpleDirect как дообучение IBM Granite 4.1 8B. Она предназначена для задач машинного обучения и инженерной работы с экспериментами: анализировать файлы и результаты, диагностировать проблемы, предлагать ограниченные изменения и обосновывать решение ничего не менять или остановиться. Модель поддерживает диалог и имеет контекстное окно до 131 072 токенов. Модель выдаёт текст и может использоваться в агентном цикле с инструментами, которые предоставляет приложение. Одних весов для этого недостаточно: приложению нужно самостоятельно реализовать инструменты, ограничения доступа и проверку предложенных изменений. README описывает обучение на 91 траектории за одну эпоху, но завершённой оценки на специализированном тесте по инженерии машинного обучения нет; результаты общих тестов не заменяют такую оценку. Возможны ошибки в ответах, вызовах инструментов и предлагаемых изменениях, поэтому их следует проверять. Лицензия — Apache-2.0.

google/vit-base-patch32-224-in21k — базовая модель Vision Transformer (ViT), опубликованная Google и представленная в статье Dosovitskiy и соавторов. Веса подготовлены для этого репозитория из реализации timm; модель содержит около 113,2 млн параметров и доступна в форматах PyTorch, TensorFlow и Flax. Она предобучена с учителем на ImageNet-21k, включающем около 14 млн изображений и 21 843 класса. Модель принимает изображения RGB, преобразованные к разрешению 224×224, разбивает их на патчи 32×32 и обрабатывает последовательность патчей трансформерным энкодером. Она предназначена для извлечения визуальных признаков и использования в последующих задачах, например для обучения классификатора поверх представления CLS. Готовой обученной классификационной головы нет, но сохранён предобученный pooler. Модель подходит для построения классификаторов и получения признаковых представлений изображений. Для тонкой настройки на классификацию авторы отмечают преимущества разрешения 384×384. Лицензия — Apache-2.0.

Qwen/WorldPM-72B-RLHFLow — модель предпочтений, разработанная авторами WorldPM и дообученная на 800 тысячах примеров RLHFLow. Она оценивает ответы языковых моделей по человеческим предпочтениям и предназначена для сравнения вариантов ответа, отбора кандидатов и использования в контурах обучения с обратной связью от человека. Модель основана на плотной архитектуре Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт оценку предпочтения; максимальная длина контекста — 2048 токенов. В описанных авторами экспериментах модели WorldPM лучше выявляли намеренные ошибки, нерелевантные и неполные ответы в объективных задачах. Для субъективных оценок устойчивого улучшения при масштабировании не наблюдалось, а предпочтения стиля могут влиять на результат. Авторы рекомендуют дообучать модель под конкретную задачу для оптимального качества. Модель распространяется по лицензии Apache-2.0.