II.10Разработка и эксплуатация AI/ML-систем

SmolTulu-1.7b-RM — компактная reward-модель на 1,7 млрд параметров, разработанная SultanR на основе SmolTulu-1.7b-Instruct. Она оценивает ответы и предпочтения, чтобы инициализировать функцию ценности в обучении SmolTulu-1.7b-Reinforced с проверяемыми наградами (RLVR). Модель использует архитектуру LlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Модель обучена на данных предпочтений из набора allenai/llama-3.1-tulu-3-8b-preference-mixture по методологии Tulu 3, адаптированной для меньшего размера. Её можно применять для ранжирования и оценки качества ответов в чат-сценариях и для построения RLVR-конвейеров. Указанный контекст составляет 8192 токена, основной язык карточки — английский. В приведённых оценках SmolTulu-1.7b-RM уступает reward-модели Tulu 3 на 8 млрд параметров, хотя показывает близкий результат на RB Chat. Лицензия — Apache-2.0. Карточка описывает оценочные показатели, но не приводит конкретный пример использования или подробности вывода оценки.

timm/starnet_s1.in1k — компактная сверточная модель StarNet для классификации изображений, обученная авторами статьи на ImageNet-1k. Она содержит около 2,9 млн параметров, требует около 0,4 GMACs на изображение и рассчитана на вход размером 224 × 224 пикселя. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель подходит для классификации изображений общего назначения и получения визуальных признаков при ограниченных вычислительных ресурсах. Репозиторий содержит веса PyTorch в формате Safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

Supra-Router-51M-zh-cn — компактная причинная языковая модель семейства Llama, дообученная разработчиком aifeifei798 на SupraLabs/Supra-Router-51M для маршрутизации запросов между локальной малой моделью и облачной большой моделью. Принимая текстовый запрос в формате `Task: [запрос]\nAnalysis: `, она генерирует строку с предполагаемой областью, оценкой сложности, признаками математики и кода, рекомендуемым маршрутом и кратким обоснованием. Модель содержит 51,8 млн параметров и рассчитана на контекст до 5120 токенов; карточка указывает английский и китайский языки, а примеры этой версии включают запросы на китайском. Назначение модели — предварительная классификация и маршрутизация пользовательских запросов в системах с несколькими моделями, в том числе на периферийных устройствах. Она генерирует структурированные текстовые признаки, а не выполняет саму маршрутизацию как отдельное действие. Обучение этой версии описано как дообучение на китайском наборе данных маршрутизации; указанная в общей карточке базовой модели схема меток определяет домен, сложность, наличие математики и кода, а также выбор малой или большой модели. Модель распространяется в формате safetensors по лицензии Apache-2.0. Небольшой размер позволяет рассматривать её для лёгкого предварительного отбора запросов, однако README сообщает о наборе всего из 992 примеров и не приводит независимой оценки качества именно этой версии. Структурный формат входа и выхода важен для применения; качество классификации и маршрутизации за пределами обучающих примеров может быть ограниченным.

Swin Transformer — модель компьютерного зрения семейства Swin, разработанная авторами статьи Swin Transformer: Hierarchical Vision Transformer using Shifted Windows и опубликованная Microsoft. Это базовая модель классификации изображений, предварительно обученная на ImageNet-21k: 14 млн изображений, 21 841 класс, разрешение 224×224. Архитектура Vision Transformer строит иерархические признаки, объединяя фрагменты изображения на более глубоких слоях; локальное внимание в сдвигаемых окнах обеспечивает линейную сложность вычислений относительно размера входного изображения. Модель подходит для классификации изображений и как визуальный backbone для задач плотного распознавания. В указанном репозитории представлены веса PyTorch, Safetensors и TensorFlow. Она принимает изображения и выдаёт оценки классов; для прикладных задач, отличных от исходной классификации, может потребоваться дообученная версия. Лицензия — Apache-2.0.

tf_efficientnet_b6.aa_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы EfficientNet на ImageNet-1k с политикой аугментации AutoAugment, а Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 43 млн параметров, расчётный размер входного изображения — 528 × 528 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от выбранного способа применения. Карточка указывает лицензию Apache-2.0. Классификация ограничена классами ImageNet-1k; качество на изображениях и задачах, отличающихся от обучающих данных, не гарантируется.

timm/tf_efficientnet_b8.ra_in1k — свёрточная модель семейства EfficientNet-B8 для классификации изображений и извлечения визуальных признаков. Она обучена авторами EfficientNet на ImageNet-1k с аугментацией RandAugment, а затем перенесена из TensorFlow в PyTorch Россом Уайтменом. В модели 87,4 млн параметров; рекомендуемый размер входного изображения — 672 × 672 пикселя. Модель подходит для определения объектов и сцен на изображениях по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она предназначена для компьютерного зрения общего назначения и может служить визуальной основой для прикладных систем. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

tf_efficientnetv2_b0.in1k — модель классификации изображений семейства EfficientNetV2. Исходную версию обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс её в PyTorch; на Hugging Face модель доступна через библиотеку timm в форматах PyTorch и safetensors. В ней около 7,1 млн параметров, вычислительная сложность составляет около 0,5 GMACs. Размер изображения при обучении — 192×192 пикселя, при проверке — 224×224. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Она компактна и подходит для сценариев, где важны небольшие вычислительные затраты. Обучение проводилось на ImageNet-1k, поэтому качество на других типах изображений может отличаться; README не приводит оценки точности. Лицензия репозитория — Apache-2.0.

Это предварительно обученные веса EfficientNet-B5 с вариантом обучения Noisy Student, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Репозиторий создан smp-hub; модель также подходит для классификации изображений, что указано в метаданных Hugging Face. Модель принимает изображения и предназначена для извлечения визуальных признаков и классификации изображений. Веса сохранены в формате safetensors и опубликованы для PyTorch. README не сообщает размер входа, число параметров или метрики качества. Лицензия указана как other, без уточнения конкретных условий в предоставленных данных.

TraceML State Labeler — модель jerryyan, основанная на Qwen3-1.7B и дообученная для разметки кода решений машинного обучения. Получив одну версию кода, она формирует JSON с этапами ML-пайплайна: восемью общими категориями и метками из закрытого набора 136 тонких категорий, каждой с оценкой уверенности, а также кратким описанием и ключевыми словами. Модель предназначена для анализа версий кода в экспериментах и датасетах; авторы использовали её вместе с Action Labeler для разметки 151 088 версий кода в TraceML. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. README рекомендует использовать TraceML toolkit, который собирает промпты, укладывает длинный код в контекст и разбирает результат. Для воспроизведения опубликованной разметки указаны жадное декодирование, bf16 и vLLM 0.8.5. Модель выпущена под лицензией Apache-2.0. Она рассчитана на заданную схему меток TraceML; качество на других языках программирования, типах кода и схемах разметки в предоставленных материалах не описано.

peerrh/treeflash-qwen3-8b — модель-драфтер TreeFlash, разработанная Peer Rheinboldt, Frédéric Berdoz и Roger Wattenhofer для ускорения спекулятивного декодирования. Это плотная архитектура TreeFlashDraftModel семейства Qwen3, представленная в формате safetensors и используемая вместе с целевой моделью Qwen/Qwen3-8B. Модель предназначена для генерации текста в качестве части конвейера speculative decoding: драфтер параллельно предлагает приближения продолжения, которые целевая модель проверяет. README требует включить trust_remote_code=True для архитектуры драфтера и метода spec_generate. В метаданных указаны 1,6 млрд параметров и контекст 40 960 токенов; библиотека — Transformers. Авторы сообщают о препринте, поданном в июне 2026 года. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

LiveKit Turn Detector — компактная дообученная языковая модель LiveKit для определения конца реплики в голосовых AI-системах. Она анализирует текст, распознанный системой STT, и оценивает, завершил ли пользователь свою мысль. Модель дополняет VAD: помогает не прерывать человека из-за смысловой паузы и корректно обрабатывать диктовку адресов, номеров телефонов, адресов электронной почты и других структурированных данных. Мультиязычная версия основана на Qwen/Qwen2.5-0.5B-Instruct и обучена с дистилляцией знаний от модели-учителя Qwen2.5-7B-Instruct. В репозитории указаны архитектура LlamaForCausalLM, 134,5 млн параметров и контекстное окно 8192 токена; рабочий сценарий использует до шести ходов диалога и обрезает вход до 128 токенов. Распространяется в форматах ONNX и safetensors; квантованная ONNX-версия INT8 рассчитана на быстрый вывод на CPU. Модель поддерживает английский, испанский, французский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский, индонезийский, турецкий, русский и хинди. Модель предназначена для интеграции в голосовые конвейеры, в частности с LiveKit Agents. Она принимает текст диалога, а выдаёт оценку вероятности завершения реплики, которую можно преобразовать в решение о конце хода с помощью порога для соответствующего языка. Лицензия в метаданных указана как other; README не приводит её точные условия, поэтому перед использованием следует проверить лицензионный файл репозитория.

Vakgyata Base — модель OneCxi для определения языка по речевому аудио. Она основана на предварительно обученной Harveenchadha/wav2vec2-pretrained-clsril-23-10k и дополнена Layer Normalization для повышения стабильности классификации. Модель использует архитектуру Wav2Vec2ForSequenceClassification; в метаданных указано 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц, для которого рекомендуется монофонический PCM с разрядностью 16 бит, и классифицирует речь на индийских языках. В README приведены примеры поддерживаемых языков: английский (Индия), хинди и одия; метаданные также перечисляют бенгальский, тамильский, телугу, каннада, малаялам, маратхи, гуджарати, пенджаби и ассамский. Модель подходит для определения языка в речевых записях и предварительной маршрутизации аудио в системах распознавания речи и аналитики звонков. Заявленная в README точность базовой версии составляет 95,88%, но описание методики и условий оценки не приведено. Модель распространяется по лицензии Apache-2.0; для использования нужны совместимые аудиоданные и библиотека Transformers.

Vinci-MLE-123B-1.0 — дообученная модель simpledirect на базе mistralai/Devstral-2-123B-Instruct-2512 для агентной работы с задачами машинного обучения. Она принимает текстовое описание задачи и контекст рабочего пространства, анализирует данные и обратную связь от инструментов, а затем формирует ответ или структурированный отчёт с решением, доказательствами и предлагаемыми изменениями. Модель содержит 123,4 млрд параметров; заявленная длина контекста — 262 144 токена. Репозиторий включает веса и токенизатор, а инструменты и среду выполнения приложение должно предоставить самостоятельно. Модель рассчитана на взаимодействие с инструментами для изучения файлов, запуска команд и записи файлов, а также на разбор причин проблем в ML-проектах. Специализация обучалась на 91 траектории в течение одной эпохи, поэтому охват ML-фреймворков и сценариев ограничен. Для версии 1.0 не завершены специализированные оценки по ML-инженерии и программированию; на MATH-500 результат ниже базовой модели на 4,8 процентного пункта. Возможны ошибки в отчётах, вызовах инструментов и предлагаемом коде, а надёжность на полном заявленном контексте не подтверждена. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

VisionGuardrail-Evo2-27B-i1-GGUF — квантизированная GGUF-версия мультимодальной модели VisionGuardrail-Evo2-27B, разработанная на базе prithivMLmods/VisionGuardrail-Evo2-27B и подготовленная mradermacher. Модель предназначена для классификации изображений и мультимодальной модерации контента: выявления визуально небезопасного материала, фильтрации пользовательского контента и применения в системах безопасности и guardrail-контроля. В карточке также указано использование датасета ImageShield-Guardrail-Pro. Модель имеет размер 27B параметров, поддерживает работу с изображениями и текстом, ориентирована на английский язык и совместима с экосистемой Transformers. Для GGUF доступны варианты квантования i1-IQ1_S–i1-IQ6_K и другие форматы размером примерно от 7,2 до 22,2 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Для запуска vision-режима могут потребоваться файлы mmproj из статического репозитория. Сильной стороной модели является специализация на мультимодальной безопасности и широкий выбор уровней квантования для локального запуска. Ограничения включают отсутствие в README сведений о точности, конкретных категориях модерации, максимальном контексте, поддерживаемых языках помимо английского и требованиях к аппаратному обеспечению. Модель распространяется по лицензии Apache-2.0.

unslothai/vram-40 — модель на архитектуре Llama, опубликованная Unsloth. Карточка Hugging Face указывает задачу извлечения признаков и использование через Transformers как `AutoModel` с токенизатором. Назначение модели — получать числовые представления входного текста для последующей обработки. Доступные сведения не подтверждают её размер, языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.

LeBenchmark/wav2vec2-FR-7K-base — предобученная модель wav2vec 2.0, выпущенная командой LeBenchmark для получения речевых представлений на французском языке. Модель Base с 113,3 млн параметров обучена на 7,6 тыс. часов французской речи, включая спонтанную, чтение и вещательные записи. Она предназначена прежде всего для извлечения признаков из аудио и последующего обучения или настройки речевых систем. Полученные представления можно использовать в системах распознавания речи, распознавания и верификации говорящего, а также разделения источников звука. Для распознавания речи модель можно дообучить с CTC, в частности с помощью Fairseq или SpeechBrain. Готовой транскрипцией модель сама по себе не является. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

arun100/whisper-small-derived-hi-1 — дообученная модель Whisper Small, созданная на основе vasista22/whisper-hindi-small. Она предназначена для автоматического распознавания речи на хинди и преобразования аудио в текст. Модель содержит 153,1 млн параметров; в карточке указана оценка WER 10,1104 на наборе оценки Common Voice 16.0 для хинди. Модель принимает аудио и выдаёт текст. Она опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. README не сообщает подробностей об условиях записи речи, шумоустойчивости или ограничениях применения.

vasista22/whisper-tamil-small — модель распознавания речи, созданная дообучением openai/whisper-small на тамильских корпусах речи в рамках Whisper fine-tuning sprint. Она принимает аудио и преобразует речь в текст, в первую очередь для автоматической транскрибации на тамильском языке. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Для обучения использовались IISc-MILE Tamil ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel ASR Corpus; оценка проводилась на тестовых наборах этих источников. Доступны веса PyTorch и Flax. Модель подходит для транскрибации тамильской речи в прикладных системах и для оценки качества распознавания на тамильских аудиоданных. Лицензия — Apache-2.0. Карточка не приводит численных результатов качества, поэтому производительность на конкретных записях может отличаться.

XCiT Tiny 12/16 224 — модель классификации изображений и визуальный backbone семейства Cross-Covariance Image Transformer (XCiT), опубликованный авторами работы и предварительно обученный на ImageNet-1k. Чекпойнт содержит 6,7 млн параметров, рассчитан на изображения размером 224 × 224 и требует около 1,2 GMACs на обработку изображения. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Доступны веса PyTorch и safetensors; библиотека модели — timm. Репозиторий распространяется по лицензии Apache-2.0.

xLAM-8x22b-r-GGUF — квантованный вариант языковой модели Salesforce/xLAM-8x22b-r, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель обучалась на наборе Salesforce/xlam-function-calling-60k и предназначена для генерации текста, function calling, использования инструментов и построения LLM-агентов. Указанный язык — английский; формат взаимодействия предполагает шаблон <s>[INST] {prompt}[/INST]. Модель относится к семейству Mistral и имеет размер 8×22B; поддерживаемые модальности, размер контекста и дополнительные архитектурные параметры в README не указаны. Доступны варианты квантования от IQ1_M до Q8_0 с размером файлов примерно от 32,74 до 149,43 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, а отдельные варианты оптимизированы для ARM и CPU-инференса, однако требуют значительных ресурсов. Сильная сторона модели — специализация на вызове функций и применении инструментов, а также широкий выбор квантований для различных ограничений по памяти. К ограничениям относятся преимущественно англоязычная специализация, необходимость совместимого инференсного ПО и большой объём файлов; снижение точности при низких уровнях квантования также отмечено в README. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями для некоммерческих целей.

severinsimmler/xlm-roberta-longformer-large-16384 — PyTorch-перепубликация модели hyperonym/xlm-roberta-longformer-large-16384 без изменений. Это мультиязычная плотная модель архитектуры Longformer, инициализированная весами XLM-RoBERTa без дополнительного предварительного обучения. Она предназначена для дообучения под прикладную задачу и извлечения признаков из текста; окно контекста составляет 16 386 токенов, размер — 658,7 млн параметров. Модель подходит для длинных текстов на поддерживаемых языках и доступна в форматах PyTorch и Safetensors. Лицензия — MIT. Качество на конкретной задаче зависит от последующего дообучения; карточка не описывает готовую специализированную задачу или результаты оценки.

zoobot-encoder-resnet18 — энкодер ResNet18 для изображений, опубликованный mwalmsley в рамках проекта Zoobot. Он предназначен для извлечения признаков из изображений и может использоваться как основа для дообучения классификатора; карточка показывает загрузку через timm с отключённой классификационной головой. В метаданных задача указана как классификация изображений, библиотека — timm, формат весов — PyTorch. Модель распространяется по лицензии Apache 2.0. Карточка не описывает обучающие данные, специализированные классы или количественные показатели качества, поэтому пригодность для конкретного набора изображений следует проверять отдельно.

Arch-Agent-1.5B — компактная диалоговая языковая модель компании Katanemo для вызова функций и построения агентных систем. Она дообучена на базе Qwen/Qwen2.5-Coder-1.5B-Instruct и использует плотную архитектуру Qwen2 с 1,5 млрд параметров; модель работает через Transformers и распространяется в формате safetensors. Модель предназначена для многошаговых и многоходовых сценариев с инструментами: она помогает выбирать функции, планировать последовательность вызовов, учитывать результаты промежуточных шагов и продолжать диалог с сохранением контекста. Для получения структурированного вывода рекомендуется использовать формат промпта авторов, совместимый с JSON-представлением вызовов функций. Заявленная длина контекста — 32 768 токенов; авторы описывают оценку на контексте 64K с масштабированием YaRN. Карточка приводит результаты тестирования на Berkeley Function-Calling Leaderboard, но не содержит самих численных результатов. Указана лицензия other, поэтому перед использованием следует проверить условия в репозитории модели.

Arch-Function-Chat-3B — дообученная Katanemo языковая модель для диалоговых сценариев с вызовом функций и инструментов. Она основана на Qwen/Qwen2.5-Coder-3B-Instruct, использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; модель работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для выбора и вызова функций по запросу пользователя, уточнения недостающих сведений, обработки многоходового контекста и подготовки понятных ответов по результатам выполнения функций. Для получения структурированного вывода рекомендуется использовать формат промпта из карточки; модель ориентирована на формат вызова функций, похожий на OpenAI. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors и доступна через Transformers. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверить с лицензией репозитория.

Aurora-Spec-Minimax-M2.1 — черновая модель EAGLE3 от Together Computer для ускорения генерации MiniMax M2.1 с помощью спекулятивного декодирования. Она создаёт кандидаты токенов, которые целевая модель проверяет параллельно; модель обучена с нуля в рамках онлайн-обучения Aurora на 44 000 запросах к инференсу. Несмотря на случайную инициализацию и обучение с нуля, метаданные каталога указывают MiniMax/M2.1 как базовую модель для тонкой настройки. Модель построена на однослойном декодере Transformer с архитектурой Llama EAGLE3 и содержит 715,3 млн параметров. Для MiniMax M2.1 рекомендован lookahead 4: в описанном тесте при размере батча 1 средняя длина принятого фрагмента составила 2,62 токена, а ускорение — 1,57×; результат зависит от размера батча и конфигурации. Модель предназначена именно для черновой генерации в совместимом конвейере EAGLE3, а не для самостоятельного диалога. Поддерживается английский язык. Лицензия — Apache-2.0.

DeepPavlov/bert-base-cased-conversational — англоязычная разговорная модель BERT, разработанная DeepPavlov на основе английского BERT-base с сохранением регистра. Она обучалась на англоязычных сообщениях Twitter и Reddit, диалогах DailyDialogues, субтитрах OpenSubtitles, дебатах, блогах и комментариях к новостям Facebook. Модель предназначена для извлечения контекстных признаков из текста; карточка также сообщает о загрузке версии с MLM- и NSP-головами. Архитектура — BERT-base: 12 слоёв, скрытый размер 768 и 12 голов внимания. В README указано 110 млн параметров, а в метаданных — 135,5 млн; контекст составляет до 512 токенов. В метаданных отмечены английский язык и форматы PyTorch и Flax. Модель подходит для получения контекстных представлений разговорного английского текста, которые можно использовать в последующих NLP-задачах. Она не является генеративным чат-ботом и сама по себе не предназначена для свободной генерации ответов. Лицензия в предоставленных данных не указана.

monsoon-nlp/bert-base-thai — тайскоязычная предобученная модель BERT-Base, адаптированная для библиотеки Hugging Face Transformers. Она предназначена для получения контекстных представлений тайского текста, которые можно использовать как признаки для последующей классификации и других задач обработки языка. Модель содержит 132,4 млн параметров, работает с контекстом до 512 токенов и использует архитектуру BertModel. Для корректной токенизации README требует предварительно обрабатывать текст оригинальным ThaiTokenizer. В основе токенизации лежит SentencePiece с BPEmb и словарём из 25 000 единиц. Модель обучена на тайской Википедии; в README также описано её применение к классификации тональности отзывов и кросс-языковому выводному заключению после дообучения. Модель рассчитана на тайский язык. Для использования доступны форматы PyTorch, Flax и safetensors. Лицензия в предоставленных данных не указана.

Bielik Guard 0.5B v1.1 — классификатор безопасности для текстов на польском языке, разработанный сообществом Bielik.AI в рамках некоммерческой организации SpeakLeash. Модель основана на польском RoBERTa-энкодере PKOBP/polish-roberta-8k, дообученном для многометочной классификации. Она содержит 443 млн параметров и возвращает оценки вероятности для категорий угроз: ненависть и агрессия, вульгарная лексика, сексуальный контент, преступная деятельность и самоповреждение. Модель предназначена для проверки пользовательских запросов и ответов, модерации контента и защиты чат-ботов. Оценки категорий можно использовать для выбора подходящего вмешательства, например ответа с ресурсами поддержки при обнаружении самоповреждения. В версии 1.1 улучшена калибровка порогов, что повышает точность срабатываний и снижает ложные тревоги. Модель распространяется по лицензии Apache-2.0. Классификатор рассчитан на польский язык и не предназначен для выявления дезинформации, попыток обхода защит или нарушений авторских прав. Возможны смещения из-за особенностей собранных сообществом данных, а качество может снижаться на пограничных случаях и новых типах контента.

Это версия на PyTorch модели BLEURT, разработанной исследователями Google Research Эльроном Банделем, Тибо Селламом, Дипанджаном Дасом и Анкуром Париком. Модель основана на BERT и предназначена для оценки текстовых пар; в карточке Hugging Face она отнесена к классификации текста. Число параметров — 4,4 млн, длина контекста — до 512 токенов. Модель обучалась на парах предложений из англоязычных направлений WMT Metrics Shared Task за 2017–2019 годы, включая человеческие оценки качества переводов новостных текстов. Её можно использовать для автоматической оценки качества перевода и сравнения текстовых вариантов. В README отдельно отмечен риск стереотипных и вредных предсказаний. Лицензия в доступных данных не указана.

CHORD Qwen3.5-2B student — дообученный энкодер на базе Qwen3.5-2B для оценки связности сгенерированных текстов. Модель разработана для метрики CHORD: её веса объединяют LoRA-адаптеры, а отдельная линейная проекционная голова преобразует представление последнего токена размером 2048 в вектор из 256 координат, обученный имитировать PCA-представления учительской модели Qwen3.5-27B. Модель принимает текстовые генерации и эталонные тексты. В протоколе CHORD используется шаблон coherence, ограничение длины 532 токена и оценка через RBF-MMD; значения MMD сравнимы только при использовании того же энкодера и протокола. Для запуска предлагается библиотека chord-metric[hf]. Веса и проекционная голова опубликованы отдельно, поэтому для получения оценки следует использовать интерфейс CHORD, а не трактовать выход энкодера как готовый балл. Репозиторий содержит веса в формате safetensors и лицензию Apache-2.0. Карточка описывает специализированную модель оценки текста, а не универсальный чат-ассистент.