II.6Документация и сопровождение разработки

Карточка модели TraiNC/vlm_ocr_lora_5e на Hugging Face совпадает с карточкой TraiNC/vlm_ocr_lora, поэтому описание составлено по ней. TraiNC/vlm_ocr_lora — дообученная TraiNC модель на базе мультимодальной Qwen3.5-0.8B от Unsloth. Она предназначена для задач «изображение-текст», в частности для OCR и извлечения текста с изображений и документов. Архитектура — плотная Qwen3.5 с поддержкой зрения; репозиторий содержит веса Safetensors. Модель рассчитана на англоязычные сценарии. Модель принимает изображения и текстовые запросы, а выдаёт текст. Она может подойти для распознавания текста на изображениях, извлечения полей из документов и прототипирования OCR-процессов. В карточке указаны лицензия Apache-2.0 и дообучение с использованием Unsloth и библиотеки TRL; параметры контекста и результаты оценки качества не приведены.

Это квантованная в формате GGUF версия модели bge-reranker-v2-gemma, созданная Richard Erkhov на основе оригинальной модели BAAI. Модель предназначена для переранжирования результатов поиска: она принимает запрос и текстовый фрагмент, оценивает их релевантность и возвращает оценку сходства. Такой подход подходит для улучшения качества семантического поиска, retrieval-систем и других сценариев, где нужно выбрать наиболее подходящие документы из набора кандидатов. В README указано, что модель мультиязычная и относится к задачам text-ranking. Доступны варианты с квантованием Q2_K, Q3, Q4, Q5, Q6, Q8 и IQ3/IQ4 с размером файлов примерно от 1,08 до 2,49 ГБ. Квантование уменьшает требования к хранению и вычислениям, однако конкретное влияние на точность зависит от выбранного варианта. Архитектура базовой модели, число параметров, максимальная длина контекста и точный перечень поддерживаемых языков в предоставленных данных не указаны. Оригинальная модель распространяется по лицензии Apache-2.0. Для производственного использования следует учитывать ограничения GGUF-реализации и проверять совместимость выбранного файла с используемым программным обеспечением.

BERT base cased — базовая предобученная модель Google для английского языка на архитектуре Transformer с двунаправленными представлениями. Она обучалась предсказывать замаскированные токены и определять связь между парами предложений на корпусах BookCorpus и английской Википедии. Модель содержит 135,5 млн параметров, использует регистрозависимую токенизацию WordPiece со словарём из 30 000 токенов и поддерживает контекст до 512 токенов. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов, ответов на вопросы и извлечения признаков. В исходном виде её можно применять для восстановления замаскированных слов; это не авторегрессионная модель для генерации связного текста. Предоставляются варианты весов для PyTorch, TensorFlow, JAX и Flax. Модель лицензирована по Apache-2.0. Предсказания могут отражать смещения обучающих данных, поэтому результаты требуют проверки в целевом сценарии.

Intel выпустила дообученную версию BERT base uncased для определения смысловой эквивалентности пары английских предложений. Модель основана на двунаправленном трансформере BERT с 136,7 млн параметров и классификационной головой BertForSequenceClassification; она принимает текстовые пары и присваивает им метку сходства. Обучение выполнено на наборе GLUE MRPC, содержащем пары предложений из новостных текстов с человеческой разметкой перефразирования. Контекст модели — до 512 токенов. Модель подходит для классификации перефраз, проверки дублирующих формулировок и оценки семантической близости двух предложений на английском языке. В карточке приведены результаты на оценочной выборке MRPC: accuracy 0,8603 и F1 0,9042. Модель нечувствительна к регистру. Это классификатор для ограниченной задачи, а не генеративная модель; результаты могут отражать смещения обучающих данных и не гарантируют надёжность на других типах текстов. Лицензия — Apache-2.0.

textattack/bert-base-uncased-STS-B — англоязычная модель классификации текста, опубликованная TextAttack. Это BERT-base uncased с архитектурой BertForSequenceClassification, дообученный для оценки семантического сходства пар предложений на датасете STS-B. Модель принимает текстовые пары и предсказывает оценку сходства; в каталоге Hugging Face для неё указан pipeline text-classification. Размер — 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель подходит для сравнения смысловой близости предложений и экспериментов с оценкой семантического сходства. Она рассчитана на английский текст: вариант uncased не различает регистр. Ограничения включают предел контекста в 512 токенов и узкую настройку под STS-B; карточка Hugging Face не содержит подробных сведений о лицензии.

google/bert_uncased_L-4_H-768_A-12 — компактная англоязычная модель BERT, выпущенная Google в составе набора BERT Miniatures и описанная в исследовании о предварительном обучении компактных моделей. Это плотный Transformer-энкодер с 4 слоями, скрытым размером 768 и 12 головами внимания; в модели около 61,2 млн параметров, она принимает последовательности длиной до 512 токенов. Модель обучена для английского языка без учёта регистра с WordPiece-маскированием и доступна в форматах PyTorch и Flax. Она предназначена для задач понимания текста и дообучения под конкретные задачи, например классификацию предложений и оценку сходства. По сравнению с крупными вариантами BERT она требует меньше вычислительных ресурсов; авторы отмечают, что особенно эффективна при дистилляции с метками от более крупной модели-учителя. Это базовый энкодер, поэтому для прикладной задачи обычно требуется подходящая голова и дообучение. Лицензия — Apache-2.0.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs64-book — Sentence Transformer, дообученный разработчиком на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией; размерность векторов — 1024, сходство измеряется косинусной метрикой. В карточке указана максимальная длина последовательности 1024 токена, а в метаданных — нативный контекст до 8194 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Суффикс имени и обучающие данные указывают на настройку для поиска по книгам на корейском языке, однако карточка не приводит оценок качества или подробностей датасета. Метаданные указывают 658,7 млн параметров и формат safetensors. Лицензия в предоставленных данных не приведена.

BTL-4 — языковая модель с 35 млрд параметров от Bad Theory Labs, дообученная на базе Ornith-1.0-35B на корпусе рассуждений, отобранных по успешному выполнению кода и прохождению тестов. Модель построена на архитектуре Qwen 3.5 MoE и предназначена для генерации текста в сценариях использования инструментов, разработки ПО и длительной работы агентных систем. Среди заявленных результатов — 73,5% на BFCL v4 AST, 66,1% на LiveCodeBench v6 и 78,4% на SWE-bench Verified. Модель поддерживает контекст до 262 144 токенов; для сложных задач ей требуется большой бюджет генерации. Это специализированная модель рассуждений, а не обычный чат-бот: ответы могут быть многословными, а при запуске в агентном цикле необходимо корректно отделять рассуждения от основного текста, иначе качество длительных сессий снижается. Для обслуживания README приводит пример настройки vLLM и рекомендует доверенную загрузку удалённого кода. Лицензия — Apache-2.0.

cstr/cld3-GGUF — конверсия Compact Language Detector v3 (CLD3), компактного нейросетевого определителя языка от Google, ранее использовавшегося в Chromium. Модель принимает текст и относит его к одному из 109 языковых классов, включая отдельные метки для латинизированных вариантов некоторых языков. Архитектура включает шесть экстракторов признаков и таблиц эмбеддингов, объединённых в вектор размерности 80, а также два полносвязных слоя с размерами 80→208 и 208→109. Репозиторий содержит веса F16 в формате GGUF; файл занимает около 440 КБ. Модель предназначена для быстрой идентификации языка в браузерном и другом CPU-сценарии, где важны малый размер и низкая задержка. В README заявлены задержка менее миллисекунды и совпадение с эталонной реализацией pycld3 для 7 из 8 тестовых примеров. На коротких строках, особенно короче примерно 50 символов, предсказания могут быть ненадёжны и зависеть от языкового априорного распределения; рекомендуется учитывать уверенность. Упрощённая очистка текста в C++ runtime может также давать расхождения для HTML и текста с большим количеством пунктуации. Использование регулируется лицензией Apache-2.0; репозиторий меняет формат представления весов, но не обучает модель заново.

deepseek-ai/deepseek-coder-33b-base — базовая языковая модель для кода, разработанная DeepSeek и обученная с нуля. Она содержит 33,1 млрд параметров, использует плотную архитектуру Llama с Grouped-Query Attention и принимает контекст длиной до 16 384 токенов. Модель обучена на 2 трлн токенов: 87% корпуса составляют программный код, а 13% — естественный язык на английском и китайском. Предназначена для генерации и продолжения кода, заполнения пропусков и дополнения кода на уровне проекта. README сообщает о результатах на HumanEval, MultiPL-E, MBPP, DS-1000 и APPS, но эти результаты не гарантируют качество для конкретного языка программирования или сценария. Модель распространяется в форматах PyTorch и Safetensors. В метаданных лицензия указана как «other»; условия использования следует сверить с лицензией в репозитории DeepSeek-Coder.

DeepSeek-V4-Flash-Vision-Exp-GGUF — это мультимодальная GGUF-квантизованная версия модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и опубликованной пользователем prometheusAIR. Модель предназначена для обработки текста и изображений, включая задачи анализа содержимого изображений и генерации текстовых ответов по визуальным данным. Для работы с изображениями требуется отдельный vision tower mmproj в формате F16. Модель построена на архитектуре DeepSeek-V4 с MoE-компонентами и поддерживает обработку изображений через специализированную маршрутизацию image tokens. Доступны четыре варианта квантизации: IQ1_M размером 66,9 GiB, IQ2_XXS размером 78,8 GiB, IQ2_S размером 95,8 GiB и IQ3_XXS размером 108,7 GiB. Заявлена поддержка контекста до 1M токенов; вариант IQ2_XXS рассчитан на запуск с полным контекстом на видеокарте объёмом 96 GB. В README не указаны поддерживаемые языки. Сильные стороны модели — мультимодальность, большой контекст, несколько вариантов компромисса между размером и качеством, а также возможность запуска через llama.cpp, включая CPU-режим. Ограничения включают значительные требования к памяти, снижение качества при агрессивной квантизации и необходимость использовать сборку llama.cpp master от 2 сентября 2026 года или новее с поддержкой vision tower и image-token routing. Лицензия — MIT.

sentence-transformers/distilbert-base-nli-mean-tokens — модель Sentence-Transformers на архитектуре DistilBERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель выпущена под лицензией Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели для получения качественных результатов.

nielsr/donut-base — базовая предварительно обученная модель семейства Donut, опубликованная пользователем nielsr на Hugging Face и основанная на подходе Donut, разработанном NAVER CLOVA. Это мультимодальная модель для понимания документов, которая обрабатывает изображение документа и генерирует текстовое представление результата без отдельного OCR-конвейера. Модель построена по архитектуре VisionEncoderDecoderModel: визуальный энкодер Donut Swin преобразует изображение, а декодер на базе mBART генерирует текст. В конфигурации указаны 12 слоёв энкодера, 4 слоя декодера и максимальная длина последовательности декодера 1536 токенов. В Hugging Face она классифицируется для задачи image-text-to-text и предназначена прежде всего как базовая модель для последующего дообучения под извлечение структурированных данных, классификацию и другие задачи понимания документов. Сильная сторона модели — единый end-to-end подход к анализу документов по изображениям. Это именно базовый чекпойнт, поэтому без дообучения он не гарантирует высокое качество на конкретной прикладной задаче; специализированные сценарии требуют подходящего датасета и настройки.

gemma-4-12B-coder-fable5-composer2.5-nvfp4 — это квантизированная MLX-версия дообученной модели Gemma 4-12B coder. Исходную fine-tune-модель разработал yuxinlu1, а данный вариант подготовил Sourav Singh для локального инференса на Apple Silicon. Модель ориентирована прежде всего на генерацию кода, задачи программирования и алгоритмическое рассуждение; заявлена поддержка reasoning channel. Модель использует архитектуру Gemma 4 Unified с текстовыми, визуальными и аудиокомпонентами, однако конкретные языки и размер контекстного окна в README не указаны. Основная часть весов представлена в формате NVFP4 с 4-битной плавающей точностью и group size 16; attention-модули o_proj и vision/audio projectors сохранены в 8-битном формате. Заявлены загрузка примерно за 1,7 секунды, объём около 6,8 ГБ и скорость декодирования около 28 токенов в секунду на M4 Pro. В тестах модель показала высокие результаты на HumanEval и MBPP, существенно превосходя базовую Gemma 4-12B-it в задачах программирования, но уступая ей на математическом бенчмарке GSM8K. Это специализированный MLX-чекпойнт для работы через Krill и не является совместимым с vanilla mlx_lm, mlx_vlm, llama.cpp, Ollama, transformers или vLLM. Для запуска требуется движок с поддержкой архитектуры gemma4_unified и смешанной конфигурации NVFP4. Модель распространяется по лицензии Gemma; права на исходную fine-tune-модель принадлежат её автору, а данный репозиторий изменяет квантизацию и упаковку.

Xenova/gte-base — версия модели thenlper/gte-base, подготовленная сообществом Xenova в формате ONNX для совместимости с библиотекой Transformers.js. Модель предназначена для извлечения признаков из текста, в частности для построения векторных представлений, которые могут использоваться в семантическом поиске, сравнении текстов и других задачах обработки естественного языка. Из README известно, что модель поддерживает запуск через Transformers.js и рассчитана на использование в JavaScript-средах, включая веб-приложения. Архитектура, размер, поддерживаемые языки, максимальная длина контекста, модальности и точные характеристики качества в предоставленных данных не указаны. Лицензия также не указана, поэтому условия использования по этому описанию определить нельзя.

NiviG/hallucination-detector — модель классификации текста, созданная дообучением DeBERTa-v3-base от Microsoft. Она сопоставляет утверждение, сгенерированное ИИ, с предоставленным контекстом и определяет, подтверждается ли оно, опровергается ли или остаётся непроверяемым. Модель обучена на более чем 25 тысячах примеров FEVER для проверки фактов и выявления галлюцинаций в ответах языковых моделей. Архитектура — DeBERTa-v2 для классификации последовательностей, около 211,6 млн параметров; модель работает с текстом и имеет контекст до 512 токенов. Она выдаёт одну из трёх меток: FACTUAL, UNCERTAIN или HALLUCINATION. Веса опубликованы в формате safetensors; библиотека — Transformers. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Laguna-S-2.1 · Winnow keep-75 — это производная текстовая MoE-модель для генерации кода и агентных задач разработки, созданная на основе poolside/Laguna-S-2.1. Разработчик уменьшил внутреннюю ширину каналов маршрутизируемых экспертов на 25% методом variable-width expert pruning; общие эксперты, внимание и эмбеддинги не затронуты. После обрезки заявлено 89,2 млрд параметров вместо 118 млрд у исходной модели; переобучение после обрезки не проводилось. Модель предназначена для генерации и анализа кода, а также для автономного выполнения задач разработки в диалоговом режиме. В README приведены результаты на кодовом корпусе и качественная проверка на задачах Terminal-Bench 1.0; при контексте обслуживания 16 тыс. токенов основным источником неудач называлось исчерпание контекста. Метаданные указывают нативный контекст до 1 048 576 токенов, но для описанной конфигурации обслуживания приведён лимит 16 384 токена. Репозиторий содержит веса safetensors и предполагает запуск через Transformers или специализированный плагин vLLM для поддержки экспертов переменной ширины. Для serving в INT8 README указывает потребность примерно в двух GPU по 80 ГБ или четырёх по 40 ГБ; обычное разделение tensor parallelism не поддерживается. Сохраняется лицензия базовой модели OpenMDW-1.1.

MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.

vllm-sr разработала ModernBERT-base-32K — дообученную версию ModernBERT-base для обработки длинного контекста и заполнения пропусков в тексте. Это encoder-only модель архитектуры ModernBERT с 149 млн параметров. В карточке указано расширение контекста до 32 768 токенов с помощью масштабирования YaRN и специального обучения для сохранения зависимостей между удалёнными фрагментами; метаданные при этом указывают native context в 8 192 токена. Основная задача модели — предсказывать замаскированные токены. Её также можно использовать для извлечения признаков и построения downstream-решений, например классификации длинных текстов и семантического поиска по документам. Модель обучалась на длинных веб-текстах из Slimpajama; основным языком карточка указывает английский. Лицензия — Apache-2.0. Среди ограничений карточка отмечает снижение точности поиска удалённых фрагментов на больших расстояниях, ограниченную пользу контекста свыше 16K токенов и потребность примерно в 16 ГБ или более GPU-памяти для обработки 32K токенов; качество на узкоспециализированных текстах может быть ниже.

cross-encoder/ms-marco-MiniLM-L12-v2 — модель ранжирования текстовых пар на базе MiniLM-L12 от Microsoft, дообученная командой Sentence Transformers на задаче ранжирования пассажей MS MARCO. Она принимает поисковый запрос вместе с каждым кандидатом-текстом и оценивает их релевантность, чтобы упорядочить уже найденные документы, например после первичного поиска в ElasticSearch. Модель использует архитектуру BERT для классификации последовательностей, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска и извлечения релевантных пассажей. Карточка приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, однако скорость в ней измерена на V100 GPU и зависит от оборудования. Модель поддерживает английский язык; лицензия Apache-2.0.

Карточка модели neuralforgequantum/ms-marco-MiniLM-L12-v2 на Hugging Face совпадает с карточкой cross-encoder/ms-marco-MiniLM-L12-v2, поэтому описание составлено по ней. cross-encoder/ms-marco-MiniLM-L12-v2 — модель ранжирования текстовых пар на базе MiniLM-L12 от Microsoft, дообученная командой Sentence Transformers на задаче ранжирования пассажей MS MARCO. Она принимает поисковый запрос вместе с каждым кандидатом-текстом и оценивает их релевантность, чтобы упорядочить уже найденные документы, например после первичного поиска в ElasticSearch. Модель использует архитектуру BERT для классификации последовательностей, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска и извлечения релевантных пассажей. Карточка приводит оценки на наборах TREC Deep Learning 2019 и MS MARCO, однако скорость в ней измерена на V100 GPU и зависит от оборудования. Модель поддерживает английский язык; лицензия Apache-2.0.

Jeevesh8/multiberts_seed_1_ft_0 — модель классификации текста на базе BERT и семейства MultiBERTs, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для отнесения входных текстов к заранее заданным классам и использования в прикладных конвейерах text-classification. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны Transformers, JAX и BERT; языковая поддержка и точный набор классов по доступным данным не установлены.

opencsg-starcoder-v0.1 — языковая модель для генерации и дополнения кода, созданная исследовательской командой OpenCSG. Это полнопараметрическая донастройка StarCoder с 15,5 млрд параметров, обученной на данных более чем с 80 языков программирования из The Stack v1.2; для версии opencsg-starcoder-v0.1 указан контекст 8192 токена и архитектура GPTBigCode. Модель предназначена для генерации кода по текстовым запросам и продолжения фрагментов программ. В README приведён результат HumanEval для Python: Pass@1 42,68% при жадном декодировании и оценке только по исходным условиям задач. Этот результат не гарантирует аналогичного качества на других языках и практических задачах разработки. Модель распространяется по лицензии BigCode OpenRAIL-M.

Ornith-1.0-35B-FP8 — открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce AI. Модель предназначена прежде всего для агентного программирования и автоматизации задач разработки ПО, включая работу с терминалом, исправление ошибок и решение задач из репозиториев. Она позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к классу текстогенерации и имеет размер 35 млрд параметров; доступна в формате FP8. В материалах семейство Ornith описывается как включающее плотные и MoE-варианты, обученные поверх Gemma 4 и Qwen 3.5, однако точная архитектура именно Ornith-1.0-35B-FP8, поддерживаемые языки и размер контекста в README не указаны. Обучение включает reinforcement learning, при котором оптимизируются как итоговые решения, так и scaffolding для поиска траекторий решения. Сильной стороной модели заявлена высокая эффективность в агентном программировании: в приведённых результатах она показывает 64,2 на Terminal-Bench 2.1 с Terminus-2, 62,8 с Claude Code, 75,6 на SWE-bench Verified и 50,4 на SWE-bench Pro. Ограничения включают узкую специализацию на задачах разработки, отсутствие подробных сведений о мультимодальности, языковой поддержке и контексте, а также возможную потребность в мощной GPU для локального запуска. Модель распространяется по лицензии MIT, без региональных ограничений.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров из семейства Ornith, разработанная DeepReinforce AI и опубликованная в формате safetensors. Это компактный вариант семейства для запуска на одной GPU; карточка указывает дообучение на базе deepreinforce-ai/Ornith-1.0-9B и позиционирует семейство как модели для агентного программирования с обучением методом RL. Модель принимает текстовые запросы и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для терминальных coding-агентов: анализа кодовых баз, решения задач разработки и автоматизации работы через инструменты. В карточке приведены результаты оценок на Terminal-Bench, SWE-Bench, NL2Repo и других бенчмарках. Для инференса описаны vLLM, SGLang и Transformers; для Transformers требуется версия не ниже 5.8.1. Примеры запуска используют контекст до 262144 токенов, но это параметр конфигурации запуска, а не подтверждённая метаданными нативная длина контекста. Модель распространяется по лицензии MIT. Для работы с кодом и агентными сценариями она требует подходящей инфраструктуры и корректной настройки шаблона чата, парсера рассуждений и вызова инструментов; результаты бенчмарков зависят от используемого окружения и конфигурации.

Карточка модели Deepdive404-3/Ornith-1.5-397B на Hugging Face совпадает с карточкой ornith-ai/Ornith-1.5-397B, поэтому описание составлено по ней. Ornith-1.5-397B — флагманская модель семейства Ornith-1.5 от ornith-ai, созданная как модель с открытыми весами для агентных задач и самоулучшения. Это смесь экспертов (MoE) на 397 млрд параметров, реализованная в архитектуре Qwen3.5 MoE; репозиторий содержит веса SafeTensors, а лицензия — MIT. Модель предназначена прежде всего для агентного программирования: выполнения задач в терминале, исправления ошибок и работы с репозиториями кода. Она поддерживает диалог и вызов инструментов через совместимый с OpenAI интерфейс. Заявленное окно контекста — до 262 144 токенов; README сообщает о высоких результатах на Terminal-Bench 2.1 и DeepSWE. Для запуска требуется многокарточная система: в формате bf16 веса занимают около 800 ГБ; в README приведён пример с восемью GPU H200. Для уменьшения требований авторы предлагают использовать отдельные квантизованные сборки FP8 или INT4. Модель также можно запускать с расширением контекста YaRN, но оно может немного снижать качество на обычной длине запросов.

AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5-GGUF — компактная дообученная модель на базе IBM Granite 4.1 3B, разработанная AnkitAI. Модель распространяется в формате GGUF и обучена на корпусах AnkitAI/parable-corpus-v2, Glint-Research/Fable-5-traces и Roman1111111/gpt5.5-terminal, включая трассировки агентских сессий Claude Fable 5. Указан английский язык и текстовая генерация. Модель предназначена для локального офлайн-использования в сценариях агентского поведения: планирования, рассуждений, программирования, работы с терминалом, tool-use и function-calling. Она ориентирована на запуск через llama.cpp, Ollama, LM Studio и совместимые инструменты. В README заявлена поддержка контекста 8192 токена и режим, при котором ответ предваряется блоком <think> с рассуждением. Рекомендуемая квантизация Q4_K_M занимает около 2,1 ГБ и требует примерно 3 ГБ RAM или VRAM; доступны варианты от Q4_K_M до F16. Сильные стороны модели — небольшой размер, низкие требования к памяти, структурированное рассуждение и ориентация на агентские задачи. Для версии v2 заявлены результаты 70,1 на HumanEval, 65,9 на HumanEval+ и 0 случаев утечки артефактов агента в проверке из 34 запросов. Ограничение заключается в том, что чистая генерация кода на отдельных функциях уступает базовой модели: в README приведено сравнение 70,1 против 81,7. Лицензия — Apache-2.0.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

PP-DocLayout_plus-L — модель PaddlePaddle для локализации и классификации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственном наборе китайских и англоязычных научных статей, презентаций, журналов, контрактов, книг, экзаменационных материалов, старинных книг и исследовательских отчётов. Модель выделяет 20 типов областей, включая заголовки, основной текст, номера страниц, аннотации, таблицы, формулы, изображения, графики, колонтитулы, печати и списки литературы. Модель предназначена для анализа структуры страниц и может использоваться как компонент конвейера PP-StructureV3 вместе с OCR, распознаванием таблиц и формул и другими модулями. В README указана метрика mAP@0.5 83,2% на собственной тестовой выборке изображений документов на китайском и английском языках. Метрика относится к локализации областей, а не к распознаванию их текстового содержимого. Лицензия — Apache-2.0.

PP-OCRv5_server_rec — модель распознавания строк текста из изображений, разработанная командой PaddleOCR. Она входит в поколение PP-OCRv5 и используется как модуль распознавания в OCR-конвейерах PaddleOCR, включая PP-OCRv5 и PP-StructureV3. Одна модель поддерживает упрощённый и традиционный китайский, английский и японский языки, а также сложные случаи: рукописный и вертикальный текст, пиньинь, редкие символы, повёрнутые и искажённые строки, художественное оформление текста. README приводит метрики для печатного и рукописного текста и других сценариев; в среднем указано 0,8401 при оценке строки как неверной, если в ней ошибочен хотя бы один символ. Модель предназначена для распознавания текста в строках изображения и выдаёт текст. Для полноценного извлечения текста из документов её объединяют с обнаружением текста и, при необходимости, модулями ориентации, коррекции и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.