II.6Документация и сопровождение разработки

Карточка модели ccqwe/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Akfmsk/LocateAnything-3B-custom на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

opendatalab разработала эту модель для оценки структурной чистоты текста в рамках метода Meta-rater. Это дообученная ModernBERT-base с 149 млн параметров, реализованная как ModernBertForSequenceClassification. Модель присваивает тексту непрерывную оценку от 0 до 5: чем выше балл, тем лучше форматирование, полнота и отсутствие шума. Модель подходит для фильтрации результатов веб-скрейпинга, очистки наборов данных, отбора текстов для предобучения языковых моделей и автоматической проверки качества документов. Она оценивает структурные свойства, например артефакты извлечения, обрывки предложений, повреждённые символы, избыток ссылок и рекламы; смысл, тематику, стиль и грамматическую сложность не оценивает. В README приведены показатели 87,88% F1 и 92,25% accuracy. Модель принимает текст и выдаёт оценку качества. В README заявлено контекстное окно 4096 токенов, а метаданные указывают нативный контекст до 8192 токенов. Она рассчитана преимущественно на английский текст; качество на технических форматах, коде и математической записи может меняться. Лицензия — MIT.

MiMo-7B-RL-Zero — языковая модель Xiaomi, обученная с нуля в серии MiMo-7B и дообученная методом обучения с подкреплением от базовой MiMo-7B-Base. Модель предназначена прежде всего для рассуждений в математике и программировании; карточка сообщает о результатах на бенчмарках, сопоставимых с OpenAI o1-mini. Это плотная авторегрессионная модель семейства MiMo с 7 млрд параметров и контекстом 32 768 токенов. Она принимает текст и генерирует текст; поддерживает диалоговый режим и интерфейс вызова инструментов. В обучении использовались масштабное предварительное обучение и RL на задачах математики и кода с проверкой ответов по правилам. Репозиторий содержит веса Safetensors. Лицензия — MIT. Карточка не описывает отдельные ограничения качества или поддерживаемые естественные языки; языковые возможности за пределами задач математики и кода из предоставленных данных установить нельзя.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в экосистеме Hugging Face и предназначенная для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и распространяется по лицензии MIT. Основной заявленный сценарий — преобразование текстовых данных в векторные представления для последующего семантического поиска, классификации, кластеризации и других задач машинного обучения. В README также заявлены возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако метаданные модели указывают pipeline-задачу feature-extraction, поэтому эти дополнительные возможности не подтверждены как основной режим использования. Сильной стороной модели является совместимость с Transformers и PyTorch, а также использование распространённой архитектуры BERT для получения текстовых эмбеддингов. Размер модели, поддерживаемые естественные языки, длина контекста и сведения о разработчике в предоставленных данных не указаны.

ndpo4 — дообученная модель на 1,3 млрд параметров, созданная на базе deepseek-ai/deepseek-coder-1.3b-base и датасета generator. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; с учётом базовой модели может применяться для продолжения и автодополнения кода, а также заполнения пропусков в коде. Контекстное окно составляет до 16 384 токенов. Модель опубликована в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. README не содержит сведений об оценке качества или дополнительных ограничениях.

mlx-community подготовила версию OpenAI Privacy Filter в формате MLX и BF16, преобразовав модель openai/privacy-filter с помощью mlx-embeddings. Это двунаправленный разреженный MoE-классификатор токенов: он размечает фрагменты персональных данных в тексте BIOES-метками по восьми категориям — имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Модель предназначена для локального выявления и последующего маскирования чувствительных данных в текстах. Версия содержит 145,4 млн параметров по метаданным; в README для исходной модели указано 1,5 млрд параметров, из которых активно 50 млн. Контекст составляет до 131 072 токенов. Доступны веса safetensors для MLX, лицензия Apache-2.0. Описание не указывает поддерживаемые естественные языки и не приводит оценок качества.

Ornith-1.0-9B-GGUF — компактная открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce. Модель ориентирована на агентное программирование и предназначена для эффективного развёртывания на одной GPU. Это 9B-Dense-вариант, созданный на базе Gemma 4 и Qwen 3.5 с последующим обучением методом reinforcement learning. Поддержка формата GGUF указана в идентификаторе модели. Ключевая особенность Ornith-1.0 — самоулучшаемое обучение, при котором модель оптимизирует не только последовательность действий для решения задачи, но и scaffold, управляющий этим решением. Такой подход нацелен на улучшение поисковых траекторий и качества выполнения сложных задач разработки программного обеспечения. По заявленным результатам модель показывает высокую эффективность среди открытых моделей сопоставимого размера: 43,1 на Terminal-Bench 2.1 с Terminus-2, 40,6 с Claude Code, 69,4 на SWE-bench Verified и 42,9 на SWE-bench Pro. Сильными сторонами являются специализация на агентном кодинге, сравнительно небольшой размер и возможность локального запуска на одной GPU. Ограничения связаны с тем, что README не содержит сведений о размере контекста, поддерживаемых языках, мультимодальности, точных требованиях к оборудованию и качестве вне задач программирования; заявленные показатели также зависят от используемого агентного окружения. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений.

Это 4-битная MLX-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, подготовленная mlx-community на основе Qwen/Qwen2.5-VL-72B-Instruct с помощью mlx-vlm 0.1.11. Модель имеет плотную архитектуру Qwen2.5-VL и около 71,5 млрд параметров; она предназначена для диалоговых задач с изображениями и текстом, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения и генерирует текстовые ответы. Контекст составляет до 128 000 токенов. В метаданных указан английский язык; подробности о языках, сценариях визуального анализа и качестве следует сверять с карточкой базовой модели. Репозиторий распространяет веса в формате safetensors для работы в экосистеме MLX. Лицензия обозначена как other, поэтому перед использованием необходимо проверить условия на странице модели и базовой модели. Ограничения качества и конкретные требования к оборудованию в предоставленных материалах не описаны.

denial07/Qwen2-72B-Instruct-kor-dpo — диалоговая языковая модель на архитектуре Qwen2, улучшенная для корейского языка на основе Qwen2-72B-Instruct. Модель содержит 71,5 млрд параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов в диалоге на корейском языке. В карточке приведены результаты оценки на корейских бенчмарках LogicKor и KMMLU, включая задания на рассуждение, математику, письмо, программирование, понимание и грамматику. Метаданные указывают на поддержку генерации текста и чат-возможностей. Модель основана на Qwen2-72B-Instruct и, согласно карточке, улучшена для корейского языка. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other; конкретные условия использования следует проверить в карточке модели.

Qwen3.8-27B-Uncensored-NVFP4 — языковая модель для генерации текста, разработанная на основе Qwen3.8-27B и версии JonathanColetti/Qwen3.8-27B-Uncensored. Квантизация выполнена пользователем wyattearp с использованием NVIDIA ModelOpt. Модель ориентирована на технические и исследовательские задачи, включая программирование, анализ и декомпиляцию кода, реверс-инжиниринг, кибербезопасность и работу с инструментами. Модель построена на плотной архитектуре Qwen 3.8 Dense Transformer и содержит 27 млрд параметров. Использует формат квантизации NVFP4 с Marlin Linear GEMM kernels; размер весов составляет 26,59 GiB. README не указывает поддерживаемые языки, точную длину контекста или мультимодальные возможности. Предназначена для запуска на GPU NVIDIA Blackwell, включая GB10, с использованием vLLM, TensorRT-LLM или SGLang; заявлена совместимость со speculative decoding через DFlash 2. Сильными сторонами являются компактный для своего размера footprint, возможность высокопроизводительного инференса на совместимом оборудовании и заявленные результаты на задачах декомпиляции, анализа уязвимостей и генерации защищённого кода. При этом результаты заметно зависят от сценария: например, в приведённом тесте OSS-Fuzz-Gen корректными оказались 5% решений, а показатель Pass@1 для LLVM IR в C++ составил 95%. Ключевое ограничение — необходимость совместимого оборудования и программного стека NVFP4; характеристики и результаты основаны на тестах автора README и не гарантируют аналогичную производительность в других условиях. Лицензия — Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия мультимодальной модели Qwen3-VL-30B-A3B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может применяться в сценариях, требующих мультимодального анализа, однако README не содержит подробностей о поддерживаемых языках, максимальном размере контекста, конкретной архитектуре, числе активных параметров или точных возможностях работы с изображениями. Ключевое преимущество версии — 8-битное представление, рассчитанное на более эффективный локальный запуск на Apple Silicon при меньших требованиях к памяти по сравнению с полной версией модели. Ограничения включают возможные потери качества из-за квантования, зависимость производительности от оборудования Apple Silicon и отсутствие в предоставленных данных результатов тестирования. Модель распространяется по лицензии Apache-2.0; LM Studio указывает, что не является создателем или владельцем модели и не гарантирует точность, безопасность или пригодность её ответов.

SPLADE-v3 Spanish — разреженный энкодер на базе BERT, разработанный как испаноязычная адаптация naver/splade-v3. Он преобразует запросы и документы в разреженные векторы размерности 30 522 по словарю BERT WordPiece; сходство оценивается скалярным произведением. Модель содержит 136,7 млн параметров, работает через Sentence Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска, ранжирования документов и конвейеров RAG, особенно для испанского и двуязычного испанско-английского поиска с лексическим сопоставлением и семантическим расширением терминов. Она обучалась контрастивно на данных для поиска на испанском языке; в карточке приведены результаты оценки на MS MARCO, BEIR и MIRACL. Это не генеративная модель: она выдаёт разреженные векторы, а не текст. Качество зависит от предметной области, токенизации и настроек индексации и поиска, поэтому модель следует оценить на целевой системе. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий ShareAlike.

sjmeis/task-cross-encoder-v1 — текстовый кросс-энкодер, дообученный автором sjmeis на базе cross-encoder/ettin-reranker-68m-v1 с использованием библиотеки Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; её можно применять для переранжирования результатов поиска и семантического поиска. Архитектура основана на ModernBERT, размер — 68,1 млн параметров. README указывает максимальную длину последовательности 128 токенов, а метаданные каталога — контекст до 7999 токенов; эти сведения расходятся, поэтому фактический предел зависит от конфигурации модели. Модель принимает и обрабатывает текст, выдавая один числовой балл для пары. В README приведены результаты корреляционной оценки на проверочном наборе: Pearson 0,8442 и Spearman 0,8962. Карточка сообщает о наборе из 295 091 обучающего примера с метками релевантности, но не называет его и не указывает языки; базовая модель описана в каталоге как англоязычная. Лицензия в предоставленных данных не указана.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

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.

Mungert/xLAM-2-32b-fc-r-GGUF — это GGUF-версия языковой модели xLAM-2-32b-fc-r, разработанной Salesforce. Модель относится к Large Action Models и ориентирована на создание AI-агентов, которые преобразуют намерения пользователя в выполняемые действия. Модель предназначена для многоходовых диалогов, function calling, использования инструментов и автоматизации задач в различных прикладных сценариях. Она содержит около 32 миллиардов параметров, работает с текстом и заявлена для английского языка. Указанная длина контекста составляет 32 тысячи токенов, с максимальным значением до 128 тысяч токенов. Модель обучалась на наборах Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k с использованием данных, созданных в рамках APIGen-MT для имитации взаимодействия агентов и людей. К сильным сторонам относятся специализация на вызове функций, многоходовом взаимодействии, последовательности действий и агентских сценариях; семейство xLAM-2 также заявляет высокие результаты на бенчмарках BFCL и τ-bench. Данная версия представляет собой квантизованный GGUF-файл, созданный с помощью llama.cpp. В README отмечено применение выборочного повышения точности отдельных слоёв при квантизации, что может улучшать точность при заданном размере, но увеличивает размер файла. Модель выпущена для исследовательских целей и распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование с соблюдением условий лицензии.

Alireza1044/albert-base-v2-mnli — модель Alireza1044, полученная дообучением albert-base-v2 на наборе GLUE MNLI для классификации текстовых пар. Она принимает текст и предсказывает отношение между посылкой и гипотезой, например следование, противоречие или нейтральность. Модель содержит 136,3 млн параметров, использует архитектуру ALBERT и поддерживает контекст до 512 токенов. Для оценки на тестовом наборе указаны accuracy 0,8501 и loss 0,5383. Доступна в формате PyTorch по лицензии Apache-2.0.

flaglow/BAAI-bge-reranker-v2-m3-mlx-fp16 — MLX-совместимая версия модели BAAI/bge-reranker-v2-m3, разработанной Beijing Academy of Artificial Intelligence (BAAI) и подготовленной пользователем flaglow для локального запуска через MLX. Это не генеративная модель общего назначения, а многоязычный reranker для оценки релевантности пары «запрос—документ» и переупорядочивания результатов поиска, например в системах семантического поиска и Retrieval-Augmented Generation. На вход подаются запрос и текстовый фрагмент, на выходе — числовой score релевантности; при необходимости его можно преобразовать в значение от 0 до 1 с помощью sigmoid-функции. Модель содержит около 0,6 млрд параметров и основана на семействе BGE-M3 с архитектурой XLM-RoBERTa; исходная модель позиционируется как multilingual и поддерживает несколько языков, но точный перечень языков для этой производной версии в её карточке не указан. В примерах исходной модели используется ограничение длины входа 512 токенов. Репозиторий flaglow содержит MLX-представление в формате Safetensors; карточка указывает совместимость с MLX и размер около 2,27 ГБ, однако собственная документация производной версии отсутствует, поэтому детали конвертации и фактического числового формата следует проверять по файлам модели. Сильные стороны модели — многоязычное ранжирование, сравнительно небольшой размер и возможность эффективного локального запуска на совместимом оборудовании. Ограничения — модель предназначена для оценки релевантности, а не для самостоятельной генерации ответов; качество зависит от языка, домена и длины входных текстов. Для исходной BAAI/bge-reranker-v2-m3 указана лицензия Apache-2.0; отдельная лицензия производного репозитория flaglow в доступной карточке явно не описана.

boltuix/bert-large — англоязычная модель BoltUIX на архитектуре BERT, представленная как вариант для задач понимания текста. Это дообученная версия google/bert-base-uncased с 117,8 млн параметров; модель использует двунаправленный трансформер, WordPiece и контекст до 512 токенов. В метаданных указаны класс BertForMaskedLM, формат safetensors и задача fill-mask; карточка также описывает предобучение с целями masked language modeling и next sentence prediction на BookCorpus и англоязычной Wikipedia. Модель можно применять для предсказания пропущенных слов, а после дополнительной настройки — для классификации последовательностей и токенов, анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о логических связях между предложениями. Карточка сообщает о сильных результатах на GLUE, но не приводит численных метрик, поэтому сравнить качество по конкретным показателям нельзя. Модель рассчитана на английский язык и не предназначена для генерации текста; размер чекпойнта около 365 МБ требует заметных вычислительных ресурсов и ограничивает использование на маломощных устройствах. Обучающие данные могут содержать социальные предубеждения. Лицензия — MIT.

code-nothink-q8b-20260908 — модель для генерации кода, созданная на основе Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров; LoRA-дообучение на парных данных NoThink code SFT слито с основными весами bf16. Репозиторий содержит веса в формате safetensors и специальный комплект токенизатора для оценки; контекст модели по метаданным — 32 768 токенов. Модель предназначена для генерации кода без режима рассуждений и решения задач программирования. В оценке LiveCodeBench DEV256 в режиме NoThink она показала средний pass@1 30,1% по двум запускам против 22,7% у базовой модели; авторы отмечают заметные колебания результата между seed и описывают данные как исследовательские, а не подтверждающие. Для инференса README рекомендует использовать токенизатор и chat template из этого репозитория. Лицензия — Apache-2.0.

Codestral 2508 — языковая модель Mistral для задач программирования, выпущенная в конце июля 2025 года. Она предназначена для сценариев с низкой задержкой и частыми запросами, включая дополнение кода в середине фрагмента (fill-in-the-middle), исправление кода и генерацию тестов. Модель подходит для встраивания в инструменты разработки, где нужны быстрые подсказки по коду и помощь при редактировании. README не сообщает размер, архитектуру, поддерживаемые языки программирования или длину контекста. Условия лицензии в предоставленных данных также не описаны.

DCUBE Language Identifier — компактная модель для определения языка по тексту, разработанная DCUBE Ai. Она дообучена методом LoRA SFT на базе Qwen2.5-0.5B-Instruct с использованием дистилляции знаний от Qwen3-14B и примеров из набора papluca/language-identification с дополнительными данными на малаялам. Модель принимает текст и отвечает названием распознанного языка; поддерживает 21 язык, включая русский, английский, китайский, арабский и хинди. Модель семейства Qwen2 имеет плотную архитектуру, около 494 млн параметров и контекстное окно 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; шаблон чата может автоматически добавлять инструкцию для определения языка. Лицензия — Apache-2.0. README рекомендует устанавливать температуру 0 при использовании через LM Studio.

Mungert/DeepCoder-14B-Preview-GGUF — предварительная GGUF-версия 14-миллиардной модели для генерации текста и кода, разработанная Mungert. В качестве базовой модели указана DeepSeek-R1-Distill-Qwen-14B; при обучении или проверке использовались наборы PrimeIntellect/verifiable-coding-problems, likaixin/TACO-verified и livecodebench/code_generation_lite. Заявленный язык — английский, основной сценарий применения — генерация и решение задач программирования. Главная особенность модели — экстремально низкобитное квантование с методом IQ-DynamicGate, который распределяет точность по слоям: для разных частей сети применяются IQ4_XS, IQ2_XXS, IQ3_S и Q5_K для критически важных embedding и output-слоёв. Такой подход предназначен для снижения требований к памяти и запуска на CPU, устройствах с небольшим объёмом VRAM и edge-оборудовании. Доступные GGUF-варианты могут быть особенно полезны для компактного локального инференса и исследований низкобитного квантования. В README приведены результаты только для Llama-3-8B-Instruct при контексте 2048 токенов, поэтому эти показатели нельзя напрямую считать характеристиками DeepCoder-14B. Для DynamicGate сообщается заметное снижение perplexity по сравнению со стандартным 1–2-битным квантованием, однако с увеличением размера файлов примерно на 0,1–0,3 ГБ; скорость инференса оставалась сопоставимой. Ограничениями являются возможная потеря точности по сравнению с полноразмерными версиями, отсутствие подтверждённых характеристик контекстного окна и неполные сведения о конкретных вариантах квантования. Лицензия — MIT.

neuralabs/deepseek_ocr_de — дообученная компанией neuralabs модель DeepSeek OCR для распознавания немецкого текста на изображениях. Она предназначена для извлечения текста из отсканированных документов, печатных материалов, фотографий, форм и чеков; обучена на синтетическом наборе из 200 тысяч изображений с немецкими текстами и поддерживает особенности немецкой орфографии, включая ä, ö, ü и ß. Модель построена на плотной архитектуре DeepseekOCRForCausalLM, содержит 559,7 млн параметров и имеет контекст 8192 токена. В метаданных указаны задачи text-generation и feature-extraction; для основного сценария распознавания текста по изображению подходящим поисковым тегом является image-text-to-text. Модель принимает изображения с текстом и выдаёт текст. Лучше всего работает с чёткими изображениями печатного немецкого текста, похожего на обучающие данные. Качество может снижаться на рукописном тексте, размытых или низкоконтрастных изображениях и материалах, сильно отличающихся от обучающего распределения. Распространяется по лицензии Apache 2.0.

Donut-proto — предварительно обученная базовая модель семейства Donut от NAVER CLOVA, построенная по схеме vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно генерирует текст на основе его представления. Модель предназначена для последующего дообучения под задачи понимания документов, например классификации изображений документов и извлечения структурированных данных. Она принимает изображение и выдаёт текст; готовую точность на конкретной задаче карточка не заявляет. Репозиторий содержит веса PyTorch. Лицензия — MIT.

QuantFactory/Dorna-Llama3-8B-Instruct-GGUF — квантизированная версия Dorna-Llama3-8B-Instruct, созданная QuantFactory с использованием llama.cpp на основе Meta Llama 3 Instruct 8B. Исходное семейство Dorna разработано Part AI и специально дообучено на персидских данных. Модель относится к авторегрессионным decoder-only языковым моделям и предназначена для генерации текста и диалогового взаимодействия. Модель ориентирована прежде всего на персоязычные сценарии, включая ответы на вопросы, длинные тексты, обобщение, перефразирование, работу с общими знаниями, новостными вопросами, математикой и генерацией кода. В карточке указаны английский и персидский языки. Размер базовой модели составляет около 8 млрд параметров; формат GGUF и квантизация рассчитаны на запуск через llama.cpp и совместимые инструменты. Размер контекстного окна и точный вариант квантизации не указаны. К сильным сторонам относятся специализация на персидском языке и пригодность для локального диалогового использования, а опубликованные оценки показывают конкурентные результаты в сравнении с Meta Llama 3 8B Instruct, GPT-3.5 Turbo и Persian Mind на ряде задач. Ограничения включают неизвестные параметры контекста и квантизации, а также возможное снижение точности по сравнению с полной версией из-за квантизации. Лицензия указана как llama3; дополнительные условия использования в README не приведены.

Это пакет GGUF с разбиением по слоям модели GLM-4.7-REAP-218B-A32B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет получен из unsloth/GLM-4.7-REAP-218B-A32B-GGUF и предназначен для запуска на кластере Mesh LLM, когда исходная модель не помещается на одном компьютере. Модель поддерживает генерацию текста и диалоговый режим. Пакет рассчитан на локальный приватный запуск на одной или нескольких машинах и работу через совместимый с OpenAI API интерфейс Mesh LLM. Вариант файлов обозначен как UD-Q4_K_XL; файлы исходной модели представлены в формате GGUF и разделены на артефакты по слоям. Подробности об архитектуре, размере, контекстном окне, языках, лицензии и ограничениях следует сверять с карточкой исходной модели unsloth/GLM-4.7-REAP-218B-A32B-GGUF; текущая карточка их не приводит. Пакет предназначен для запуска через Mesh LLM, а не является самостоятельной программной обёрткой.

GNER-LLaMA-7B — генеративная модель распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре LLaMA и предназначена для извлечения сущностей из текста, в том числе в ранее не встречавшихся предметных областях. В README сообщается о применении обучения с отрицательными примерами и результатах для вариантов GNER на LLaMA и Flan-T5; для GNER-LLaMA приведены средние F1 66,1 в режиме zero-shot и 86,09 при обучении с разметкой. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовый результат. Контекст — до 2048 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия Apache-2.0. Модель подходит для извлечения сущностей из текстов, но карточка не уточняет схему выдачи и полный перечень типов сущностей; заявленные метрики относятся к описанным в работе оценочным настройкам и не гарантируют качество на произвольных данных.

Карточка модели eyes-ml/granite-guardian-4.1-8b на Hugging Face совпадает с карточкой ibm-granite/granite-guardian-4.1-8b, поэтому описание составлено по ней. Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.