II.10Разработка и эксплуатация AI/ML-систем

StarChat2 15B — разговорная модель для помощи с программированием, разработанная HuggingFaceH4. Это плотная авторегрессионная модель семейства StarCoder2 с 21,7 млрд параметров и контекстом до 16 384 токенов, дообученная методами SFT и DPO на синтетических наборах данных для диалога, кода, математики и рассуждений. Модель рассчитана прежде всего на английский язык и более 600 языков программирования. Её можно применять для диалоговых ответов, написания и дополнения кода, а также решения задач на математику и рассуждения. В карточке сообщается о результатах на MT Bench, IFEval и HumanEval; результаты зависят от формата промпта и условий оценки. Модель доступна в формате safetensors и распространяется по лицензии BigCode Open RAIL-M v1. Модель не прошла выравнивание предпочтений с помощью RLHF и может выдавать проблемный контент. Сгенерированный код может быть ошибочным или уязвимым, а ссылки — вымышленными; ответы и код требуют проверки.

Это 4-битная конверсия для MLX модели StarCoder2-15B-Instruct-v0.1, подготовленная сообществом mlx-community из bigcode/starcoder2-15b-instruct-v0.1 с помощью mlx-lm 0.10.0. Модель предназначена для генерации кода и диалоговой работы с инструкциями; её можно использовать для написания и дополнения программного кода. Основа семейства StarCoder2 также поддерживает заполнение пропусков внутри кода. В метаданных указаны архитектура Starcoder2ForCausalLM, 21,7 млрд параметров и контекст до 16 384 токенов. Репозиторий описывает вариант MLX с 4-битными весами; каталог связывает модель с bigcode/starcoder2-15b и набором инструкционных примеров self-oss-instruct-sc2-exec-filter-50k. Лицензия — BigCode OpenRAIL-M. Языки программирования в карточке не перечислены.

QuantFactory/starcoder2-15b-instruct-v0.1-GGUF — квантизированная версия модели StarCoder2-15B-Instruct-v0.1, разработанной проектом BigCode и созданной с использованием llama.cpp. Это языковая модель для генерации текста и кода, дообученная методом самосогласования на наборе self-oss-instruct-sc2-exec-filter-50k, где StarCoder2 генерировала пары инструкций и ответов без человеческой разметки и дистилляции из проприетарных моделей. Модель предназначена прежде всего для однократного выполнения инструкций, связанных с программированием: генерации Python-кода, решения задач, исправления программ и предсказания результатов выполнения. Она имеет размер 15 млрд параметров и распространяется в формате GGUF, удобном для запуска через совместимые инструменты на базе llama.cpp. В README указана длина последовательности обучения 1280 токенов; сведения о полном контекстном окне, поддерживаемых языках и конкретном варианте квантизации отсутствуют. Сильной стороной модели является ориентация на код, который можно проверять выполнением; на приведённых тестах она показывает pass@1 72,6% на HumanEval, 75,2% на MBPP и 40,6% на DS-1000. Ограничения включают меньшую надёжность при работе с форматами вывода, другими языками программирования и задачами за пределами распределения обучения; для управления форматом рекомендуется использовать префикс ответа или пример. Модель распространяется по лицензии bigcode-openrail-m.

second-state/StarCoder2-3B-GGUF — это квантованная в формате GGUF версия языковой модели StarCoder2 3B, разработанной командой BigCode и подготовленной к распространению компанией Second State Inc. Модель предназначена для генерации и дополнения программного кода, а также других сценариев работы с текстом, связанных с программированием. В карточке указана интеграция с библиотекой Transformers и назначение text-generation. Модель основана на bigcode/starcoder2-3b и имеет размер 3 миллиарда параметров. Доступны варианты квантования от 2 до 8 бит с размером файлов примерно от 1,15 до 3,22 ГБ. Заявленный размер контекста — 3072 токена. Представлены различные уровни компромисса между размером файла и качеством: Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые, тогда как варианты с более низкой разрядностью могут заметно терять в качестве. Основное преимущество модели — возможность локального запуска при относительно небольшом объёме памяти, особенно в низкоразрядных вариантах. Ограничения включают потерю качества из-за квантования, наиболее выраженную у Q2 и Q3, а также отсутствие в README сведений о поддерживаемых языках программирования и естественных языках, точной архитектуре, мультимодальности и результатах оценки. Указана лицензия bigcode-openrail-m.

StarCoder2-7B — открытая модель для генерации и дополнения программного кода, разработанная проектом BigCode. Это плотный авторегрессионный Transformer-декодер с Grouped Query Attention и скользящим вниманием: окно контекста составляет 16 384 токена, из которых скользящее окно внимания — 4 096 токенов. Модель обучалась на более чем 3,5 трлн токенов из The Stack v2 и других источников, используя задачу Fill-in-the-Middle; метаданные указывают 9,9 млрд параметров. Модель подходит для продолжения кода по контексту, заполнения пропусков и генерации фрагментов на 17 языках программирования. Она не является моделью для следования инструкциям, поэтому запросы на естественном языке вроде просьбы написать функцию могут обрабатываться хуже, чем контекст с незавершённым кодом. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным. Обучающие данные отфильтрованы по лицензиям, однако модель может воспроизводить исходный код; перед использованием следует учитывать его лицензионные требования. Лицензия — BigCode OpenRAIL-M.

V-YangXu/StarCoder-Alpaca — модель генерации кода на основе StarCoder, дообученная на 20 тысячах примеров набора AlpacaCode. Она предназначена для генерации и продолжения кода по текстовым инструкциям. Базовый StarCoder — плотная авторегрессионная модель GPTBigCode размером 15,5 млрд параметров; она обучалась на коде более чем на 80 языках программирования и поддерживает контекст до 8192 токенов, включая заполнение пропусков в коде (Fill-in-the-Middle). Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества именно этой дообученной версии, поэтому результаты генерации кода могут требовать проверки.

Карточка модели castorini/tct_colbert-v2-hn-msmarco на Hugging Face совпадает с карточкой castorini/tct_colbert-v2-hnp-msmarco, поэтому описание составлено по ней. castorini/tct_colbert-v2-hnp-msmarco — модель семейства TCT-ColBERT-V2, опубликованная Castorini для воспроизведения варианта плотных моделей поиска, описанного в статье о дистилляции знаний для dense retrieval. Она предназначена для извлечения векторных представлений текстов и их использования в поиске по коллекции документов, в частности в сценариях, связанных с MS MARCO. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. README связывает её с исследовательской работой и отчётом о воспроизведении в Pyserini. Лицензия в доступных данных не приведена.

TensorFluxEmbedder — англоязычная модель векторных представлений текста, дообученная IstishadAlamTishad на базе nomic-ai/modernbert-embed-base для семантического поиска. Она охватывает общий язык, веб-поиск, научную литературу и юридические документы и предназначена для получения эмбеддингов запросов и документов в сценариях информационного поиска и RAG. Модель построена на ModernBERT, содержит 149 млн параметров и принимает до 8192 токенов. Размер эмбеддинга можно сокращать при использовании с 768 до 512, 256, 128 или 64 измерений без повторного обучения; в README вариант 256 измерений рекомендован для поиска с низкой задержкой и меньшим расходом памяти. Для лучшего качества поиска нужно задавать префикс search_query: для запросов и search_document: для документов. В README приведены результаты оценки на наборах SciFact и юридическом корпусе; качество зависит от размерности и конкретного корпуса. Модель обучена только на английских текстах, длинные входы свыше 8192 токенов обрезаются, а эффективность на других языках и юридических коллекциях не подтверждена. Она оптимизирована для плотного поиска и не предназначена для классификации, NLI или работы как cross-encoder. Лицензия — Apache-2.0.

tf_efficientnetv2_s.in21k_ft_in1k — модель классификации изображений семейства EfficientNetV2, опубликованная в библиотеке timm. Авторы статьи обучили её на ImageNet-21k, затем дообучили на ImageNet-1k в TensorFlow; Ross Wightman перенёс веса в PyTorch. Модель содержит 21,5 млн параметров и также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Она предназначена для классификации изображений общего назначения и может применяться как визуальный backbone в других задачах компьютерного зрения. Для обучения указано разрешение 300 × 300 пикселей, для оценки — 384 × 384. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Toto-Open-Base-1.0 — открытая базовая модель временных рядов, разработанная Datadog для прогнозирования многомерных данных, особенно метрик наблюдаемости. Это декодерный Transformer с 151 млн параметров; он обрабатывает ряды высокой размерности, разреженные и нестационарные данные, поддерживает переменные длины контекста и горизонта прогноза и может работать без дообучения на конкретном ряду. Модель выдаёт точечные прогнозы и оценки неопределённости с помощью смеси распределений Стьюдента. Для обработки многомерных рядов применяется пропорциональное факторизованное пространственно-временное внимание. По README, обучение включало более 2 трлн точек данных, в том числе метрики внутренних систем Datadog без клиентских данных, публичные наборы GIFT-Eval и Chronos, а также синтетические данные. Модель подходит для прогнозирования метрик и других многомерных временных рядов, в том числе в сценариях наблюдаемости. В README заявлены высокие результаты на GIFT-Eval и BOOM, но конкретные значения метрик не приведены. Модель распространяется по лицензии Apache-2.0.

Vela Hazard — модель классификации текста, разработанная проектом LLM Semantic Router. Она присваивает тексту 12 независимых оценок риска по категориям безопасности; к одному тексту могут относиться несколько категорий. Модель построена на архитектуре ModernBERT и содержит 306,9 млн параметров. Максимальная входная длина — 32 768 токенов с учётом специальных токенов. Модель предназначена для выявления рисков в пользовательских запросах и текстах, в том числе самоповреждения, языка ненависти, специализированных советов, нарушений приватности и дезинформации. Оценки вычисляются через sigmoid независимо для каждой категории, а не через softmax. Для длинных текстов README рекомендует обрабатывать окнами по 2 048 токенов с шагом 1 023 токена, объединять результаты максимумом по каждой категории и применять пороги из operating_point.json. В оценке на 57 запросах по пяти общим категориям риска модель показала macro F1 96,73% и точность 98,25%; авторы отмечают, что это сравнение не оценивает обнаружение всех 12 категорий, отклонение безопасных запросов или точность на длинном контексте. Модель является дообучением llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах ONNX и safetensors и распространяется по лицензии Apache-2.0.

VietRAG-Embed — вьетнамская плотная модель эмбеддингов, разработанная VietRAG и дообученная на базе intfloat/multilingual-e5-base. Она построена на XLM-RoBERTa и Sentence Transformers, содержит 305,2 млн параметров и преобразует запросы и фрагменты текста в нормализованные векторы размерности 768. Для запросов требуется префикс «query: », а для документов — «passage: ». Модель предназначена для семантического поиска по вьетнамским документам, извлечения контекста для ответов на вопросы и RAG, а также для отбора кандидатов перед переранжированием. Она не генерирует ответы самостоятельно. Модель обучена на 937 686 вьетнамских парах запрос–релевантный текст–сложный отрицательный пример, включая данные веб-поиска и научно-технические материалы. Её можно применять для поиска по FAQ и базам знаний, а нормализованные векторы подходят для сравнения косинусной близостью или скалярным произведением. Лицензия — MIT. Основной язык — вьетнамский; качество для других языков и смешанных запросов не подтверждено. Контекст ограничен 514 токенами по метаданным, а README указывает усечение входа длиннее 512 токенов, поэтому длинные документы следует делить на смысловые фрагменты. Результаты поиска могут быть тематически близкими, но фактически неверными; приведённый внутренний диагностический тест использует общий корпус с обучением и не гарантирует качество на пользовательских данных.

timm/vit_base_patch16_224.dino — модель извлечения признаков изображений на базе Vision Transformer, предоставленная проектом timm. Она обучена без учителя методом DINO на ImageNet-1k и может использоваться как визуальный backbone для классификации и получения эмбеддингов изображений. Модель содержит 85,8 млн параметров, разбивает изображение на патчи 16×16 и рассчитана на вход размером 224×224 пикселя. Модель предназначена для построения визуальных признаков, которые можно применять в классификационных и других компьютерно-зрительных конвейерах. Репозиторий распространяет веса в форматах PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Её предварительно обучили на парах изображение–текст WIT-400M с помощью CLIP, а затем дообучили на ImageNet-1k. Модель содержит около 86,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации объектов на изображениях и получения эмбеддингов для визуального поиска или последующей обработки. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель принимает изображения и выдаёт классы или векторы признаков. Карточка не описывает поддержку текстовых входов в этой версии модели.

timm/vit_base_patch16_siglip_256.webli — визуальный энкодер SigLIP, опубликованный проектом timm. Это вариант ViT-Base с патчами 16×16 и входным разрешением 256 пикселей; он выдаёт признаки изображения для поиска, сопоставления и других задач компьютерного зрения. В карточке указано, что сохранён оригинальный механизм attention pooling; модель содержит только энкодер изображения. Модель предназначена для извлечения визуальных признаков из изображений и использования их в системах поиска и анализа изображений. Репозиторий содержит веса PyTorch в формате safetensors и использует библиотеку timm. Лицензия — Apache-2.0.

vit_large_patch16_siglip_512.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT-Large с патчами 16 пикселей, предназначенный для библиотеки timm. Он соответствует только визуальной башне модели SigLIP 2 и обучен на наборе данных WebLI. Модель преобразует изображения в признаки и подходит для извлечения визуальных представлений, которые можно использовать в системах поиска и анализа изображений. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. Это только энкодер изображений, поэтому он сам по себе не принимает текст и не генерирует текстовые описания. Карточка не приводит конкретные результаты оценки качества или сведения об ограничениях сверх этого.

vit_pe_spatial_base_patch16_512.fb — модель компьютерного зрения из экосистемы timm, опубликованная в формате, совместимом с PyTorch и Transformers. По идентификатору это базовая Vision Transformer-модель с пространственными позиционными представлениями и разбиением изображений на патчи размером 16 пикселей; суффикс 512 указывает на вариант, рассчитанный на входное разрешение 512 пикселей. Модель предназначена прежде всего для извлечения признаков изображений: получения векторных представлений, которые можно использовать в системах поиска по изображениям, классификации, кластеризации, сравнения визуальной схожести и как основу для последующего обучения прикладных моделей. Она не является готовым генератором текста или универсальной моделью для ответов на вопросы по изображениям. Модель распространяется под лицензией Apache-2.0. Сведения о поддерживаемых естественных языках, количестве параметров, длине контекста и специализированных предметных областях в предоставленных данных отсутствуют.

timm/vit_small_patch14_dinov2.lvd142m — модель извлечения признаков изображений на базе Vision Transformer (ViT), опубликованная командой timm. Она предварительно обучена на наборе LVD-142M с помощью метода самообучения DINOv2. Модель содержит около 22,1 млн параметров, использует изображения размером 518 × 518 и может служить основой для классификации изображений и получения их эмбеддингов. Модель предназначена для преобразования изображений в визуальные признаки, которые можно использовать в системах поиска по изображениям, кластеризации и последующей классификации. Репозиторий поддерживает форматы PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0.

Это модель семейства SigLIP, опубликованная timm: визуальный энкодер на архитектуре ViT с патчами 14×14 и глобальным усреднением признаков. Модель предназначена для извлечения признаков изображений и может служить визуальной частью систем поиска, сравнения и анализа изображений. В метаданных указаны библиотека timm, форматы PyTorch и Safetensors, а также лицензия Apache-2.0. README описывает только энкодер изображений; сведений о текстовом энкодере и мультимодальном сопоставлении нет.

RedHatAI/whisper-large-v3-quantized.w8a8 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель распознавания речи, преобразующая аудиовход в текст. Модель предназначена для автоматической транскрипции речи и эффективного инференса, в том числе при развертывании через vLLM и его OpenAI-совместимый сервер. В README явно указана поддержка английского языка. Архитектура соответствует Whisper large-v3; точное число параметров и максимальная длина контекста в README не указаны. Веса и активации квантизированы в INT8 по схеме W8A8, что ориентировано на снижение вычислительных и ресурсных затрат при инференсе. Модель готова к использованию с vLLM версии 0.5.2 и выше и поддерживает обработку аудиоданных в мультимодальном запросе. README не содержит количественной оценки влияния квантизации на точность и подробностей об ограничениях качества. Модель распространяется по лицензии Apache 2.0.

Wrench-9B-Q4_K_M-GGUF — модель ClankLabs, созданная на базе плотной Qwen3.5-9B методом LoRA дообучения. Она предназначена для агентских сценариев, включая вызов инструментов и функций, выполнение многошаговых задач, восстановление после ошибок, соблюдение системных инструкций, планирование и безопасное взаимодействие с инструментами. Модель ориентирована на запуск локально через Ollama, llama.cpp или Clank Gateway и может работать примерно на 8 ГБ видеопамяти. Модель поставляется в формате GGUF с квантизацией Q4_K_M и занимает около 5 ГБ. Использованы LoRA rank 32 и alpha 64; контекстное окно составляет 8192 токена. Заявленный язык — английский. Внутреннее обучение проводилось на 1356 примерах из 15 категорий, а опубликованный Clank Agentic Benchmark показывает результат 114 из 120 баллов, включая 15 из 15 за базовое использование инструментов, многошаговые задачи, следование системным инструкциям, планирование, корректность формата вызовов и соблюдение ограничений; за восстановление после ошибок и качество ответов получено по 14 из 15. Ограничениями являются поддержка только заявленного контекста, особенности качества, связанные с квантизацией, и специализация прежде всего на англоязычных агентских задачах. Модель распространяется по лицензии Apache 2.0.

XwinCoder-34B — инструктивно дообученная модель генерации кода от команды Xwin-LM, основанная на CodeLLaMA. Она предназначена для создания и дополнения программного кода по запросам на естественном языке и для диалоговой работы с задачами программирования. В репозитории указаны результаты оценки XwinCoder-34B на HumanEval, MBPP и APPS-intro; авторы также сообщают о сравнимой с GPT-3.5-turbo производительности на шести бенчмарках. Модель построена на архитектуре LLaMA, содержит 33,5 млрд параметров и поддерживает контекст до 16 384 токенов. Карточка не сообщает перечень поддерживаемых языков программирования. Для использования требуются совместимые инструменты PyTorch и соблюдение лицензии Llama 2. Результаты бенчмарков не гарантируют качество на конкретных задачах; сгенерированный код следует проверять и тестировать.

MaTE X Privacy Sentinel v0.1 — дообученная модель enosislabs на основе openai/privacy-filter для локального обнаружения и разметки чувствительных фрагментов текста при фильтрации и маскировании данных. Она предназначена для сценариев приватности и безопасности, включая поиск персональных данных и секретов в строках конфигурации и других текстовых данных; карточка демонстрирует пример с адресом базы данных и учётными данными. Модель построена на архитектуре MoE, содержит 145,4 млн параметров, принимает текст и выдаёт разметку токенов. Контекст составляет до 131 072 токенов. Опубликованные веса представлены в формате Safetensors; лицензия — Apache-2.0. Модель помогает выявлять риски утечки, но не гарантирует соответствие требованиям: перед применением в production следует провести собственную проверку на контрольных примерах.

Agnuxo/Agente-GPT-Qwen-2.5-7B_GGUF_16bit — локальная чат-модель на базе семейства Qwen 2.5, представленная Francisco Angulo de Lafuente в экосистеме P2PCLAW. По README, модель рассчитана на работу в роли автономного агента и может запускаться локально через Ollama; в карточке указаны 7 млрд параметров и архитектура Qwen2. Формат весов — GGUF F16, лицензия — Apache-2.0. Модель предназначена для генерации текста и кода, декомпозиции задач и взаимодействия с агентными системами через MCP и A2A. README описывает навыки для Python, JavaScript, TypeScript, Rust, Go и C++, а также научных вычислений и машинного обучения. При запросе на подготовку научной статьи README предписывает перенаправлять задачу в P2PCLAW; это ограничивает её самостоятельное использование для генерации таких текстов. Языки карточки — английский и испанский; сведения о контекстном окне и независимых оценках качества не приведены.

AIGCodeGeek-DS-6.7B — языковая модель для генерации кода, разработанная Leon Li. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена со всеми параметрами на основе deepseek-ai/deepseek-coder-6.7b-base. Модель предназначена для диалоговой помощи в программировании и генерации кода, обучалась на смеси открытых и частных наборов данных, включая WizardLM Evol-Instruct, Code-Feedback, UltraInteract, Magicoder Evol-Instruct и набор примеров Python. Контекст составляет 16 384 токена. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. В карточке заявлена лицензия DeepSeek, однако результаты оценки качества ещё не приведены. Языки естественного текста явно не перечислены; модель ориентирована на код, включая примеры Python. Перед использованием следует проверить условия лицензии DeepSeek и качество на целевых задачах.

Arch-Function-1.5B — компактная языковая модель компании Katanemo, предназначенная для вызова функций и взаимодействия с API. Она дообучена на базе Qwen/Qwen2.5-Coder-1.5B-Instruct и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текстовые инструкции и описания функций, определяет подходящие функции и параметры и формирует результат вызова в JSON-подобном формате. Модель рассчитана на сценарии, где приложение связывает запрос пользователя с API или серверными функциями, включая многошаговый диалог с передачей результатов выполнения функций обратно модели. Для вызова функций рекомендуется использовать формат промпта из карточки модели. Заявления о производительности и качестве приведены разработчиком; карточка не содержит подробных численных результатов в доступном тексте. Контекстное окно составляет 32 768 токенов. В метаданных указан английский язык, библиотека Transformers и формат весов safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории модели.

google/bert_uncased_L-12_H-256_A-4 — компактная англоязычная модель BERT от Google из серии BERT Miniatures, описанной в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Она обучена без учёта регистра с маскированием токенов WordPiece и имеет 12 слоёв, скрытый размер 256 и 4 attention-головы; максимальная длина контекста — 512 токенов. Число параметров — около 20,4 млн. Модель предназначена для задач понимания текста и для сред с ограниченными вычислительными ресурсами. Её можно дообучать для классификации и других задач обработки языка; авторы отмечают, что особенно полезна она в дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Доступны веса в форматах PyTorch и Flax. Лицензия Apache-2.0. Как компактная модель, она может уступать более крупным моделям по качеству; README рекомендует для лучших результатов дистилляцию от более точного учителя.

google/bert_uncased_L-12_H-768_A-12 — англоязычная модель BERT, опубликованная Google как часть набора BERT Miniatures и переобученная по стандартной схеме BERT. Вариант с 12 слоями и размерностью скрытого представления 768 соответствует BERT-Base; в метаданных указано 136,7 млн параметров. Модель принимает текст, использует uncased-токенизацию WordPiece и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для дообучения под задачи понимания английского текста, например классификацию предложений, определение тональности, распознавание текстовых отношений и оценку семантического сходства. Авторы отмечают, что компактные варианты набора ориентированы на ограниченные вычислительные ресурсы и особенно полезны в дистилляции; данный репозиторий содержит вариант BERT-Base для полноты набора. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0. Ограничения: модель рассчитана на английский язык и не является генеративной; для конкретных задач обычно требуется добавить задачно-специфичную голову и выполнить дообучение. Максимальная длина входа — 512 токенов.

BrowseSafe — специализированная модель Perplexity для защиты браузерных ИИ-агентов от prompt injection в содержимом веб-страниц. Это дообученная для классификации причинно-языковая MoE-модель семейства Qwen3, основанная на Qwen/Qwen3-30B-A3B-Instruct-2507 и обученная на BrowseSafe-Bench. Репозиторий содержит веса Safetensors; указанный в README контекст — до 16 384 токенов, а метаданные каталога сообщают о нативном контексте базовой модели до 262 144 токенов. Модель принимает HTML веб-страницы и выдаёт бинарную классификацию одним токеном: «yes» или «no», определяя наличие вредоносных инструкций. Она предназначена для проверок в цикле работы браузерного агента и обучена различать атаки и безвредные структурные элементы HTML. В README указана оценка F1 90,4% на тестовом наборе BrowseSafe-Bench; это результат на конкретном бенчмарке, а не гарантия обнаружения всех атак. Для длинных страниц README рекомендует разбивать HTML на непересекающиеся фрагменты и помечать страницу как опасную, если опасен хотя бы один фрагмент. Указана лицензия MIT.

Cisco Time Series Model 1.0 — разработанная Cisco модель временных рядов общего назначения для прогнозирования без примеров на целевом ряду (zero-shot). Архитектура основана на decoder-only Transformer и использует многомасштабный контекст: грубый ряд имеет шаг в 60 раз больше тонкого. Каждый контекст может содержать до 512 точек; также доступны средства подготовки такого входа из ряда одной частоты длиной до 30 720 точек. Модель выдаёт прогноз на 128 точек тонкой частоты и соответствующие квантильные оценки. Модель предназначена для прогнозирования одномерных временных рядов, в том числе метрик наблюдаемости: загрузки CPU, времени ответа серверов и интернет-трафика. В README заявлены улучшенные результаты на бенчмарке GIFT-EVAL и в задачах наблюдаемости. Обучение включает внутренние ряды Splunk Observability Cloud, публичные наборы GIFT-EVAL и Chronos, а также синтетические данные. Размер по метаданным — 286,7 млн параметров; веса представлены в safetensors, библиотека — Transformers. Лицензия Apache-2.0. Для пропусков рекомендуется заполнение последним известным значением; при заполнении более 30% разреженного ряда качество прогноза снижается. Для модели обычно полезно предоставить больше истории на грубом временном масштабе.