III.10Проекты, процессы и операционное управление

jtlicardo/bpmn-information-extraction-v2 — модель на базе BERT, дообученная для извлечения сущностей из текстовых описаний бизнес-процессов. Она присваивает токенам одну из пяти меток: AGENT, TASK, TASK_INFO, PROCESS_INFO или CONDITION. Модель разработана для структурирования описаний процессов и может служить этапом подготовки данных для последующего моделирования BPMN. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В README сообщается о дообучении на наборе из 104 текстовых описаний процессов; на оценочной выборке указаны F1 0,9031 и точность 0,9516. Репозиторий содержит веса PyTorch и Safetensors, лицензия — Apache-2.0.

Atom 27B — диалоговая модель VANTA Research, созданная дообучением Google Gemma 3 27B IT для совместной работы с человеком. Она позиционируется как партнёр для размышлений: помогает разбирать проблемы, задаёт уточняющие вопросы, мягко проверяет предположения и предлагает идеи. Модель использует плотную архитектуру Gemma 3, содержит 27 млрд параметров и поддерживает контекст до 128 тыс. токенов. Репозиторий включает веса Safetensors и GGUF F16; заявлена возможность локального запуска через llama.cpp. Модель предназначена для диалогов, совместного решения рабочих задач, структурирования рассуждений и мозгового штурма. В карточке показаны примеры анализа причин срыва сроков и подбора идей подарка. Указан английский язык; вход по изображениям для Atom не подтверждён, несмотря на мультимодальность базовой модели. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

Tanpo Ops — компактная языковая модель для операционных и бизнес-процессов, созданная d4rkninja как часть семейства Tanpo. Это дообученная и объединённая с базовыми весами версия LiquidAI/LFM2.5-1.2B-Instruct: архитектура LFM2, около 1,5 млрд параметров по метаданным и контекст до 128 000 токенов. Модель работает с текстом и предназначена для локального и недорогого запуска; карточка указывает английский язык. Модель помогает составлять черновики планов мощностей и ресурсов, декомпозировать OKR, готовить SOP и чек-листы для работы с поставщиками, проектировать передачи задач и оформлять разборы инцидентов. Она ориентирована на структурированные ответы с явным разделением фактов, допущений, рисков, ответственных и следующих шагов. Специализация сужает качество за пределами операционных сценариев; небольшой размер ограничивает объём знаний и сложность долгосрочных рассуждений. Внутренняя автоматизированная оценка показала преимущество над базовой моделью в целом, но результаты не являются отраслевым бенчмарком, а по передачам задач, SOP, операционному ритму и разборам инцидентов модель уступала базе. Рекомендации требуют проверки человеком. Лицензия указана как other, конкретные условия в карточке не приведены.

TXT2BPMN — дообученная модель на архитектуре T5-Small, разработанная Омаром Эль-Фахати в рамках магистерской работы. Она преобразует текстовые описания бизнес-процессов в диаграммы BPMN и предназначена для разработчиков, бизнес-аналитиков и исследователей, которым нужно ускорить документирование и моделирование рабочих процессов. Модель содержит 38,5 млн параметров, принимает текст и генерирует текстовое представление BPMN. В README указано обучение на 30 000 парах описаний процессов и соответствующих диаграмм, с использованием датасета MaD. Заявлены синтаксическая корректность и логическая согласованность результатов; подробные метрики приведены во внешней проектной документации. Карточка указывает английский язык, контекст 512 токенов и лицензию MIT.

Vytre Core — компактная специализированная модель генерации текста, разработанная авторами репозитория tarvico/vytre_core для задач автоматизации корпоративных рабочих процессов. Это самостоятельный чекпойнт на архитектуре GPT-2 с классом GPT2LMHeadModel, загружаемый через Transformers; в репозитории есть веса Safetensors и токенизатор. Модель рассчитана на короткий контекст длиной 128 токенов. Модель обучена на синтетических задачах для корпоративных команд: создании подразделений и описаний агентов, планировании рабочих процессов, декомпозиции задач, проверках управления и маршрутизации запросов к инструментам. Её можно использовать в чат-сценариях, близких к этим операционным задачам. Лицензия — Apache-2.0. Это небольшая узкоспециализированная модель, не предназначенная для общения общего назначения. Запросы следует формулировать в указанном авторами формате и ограничивать описанными рабочими сценариями; сгенерированный JSON необходимо проверять до использования для выполнения действий.

Command A+ — флагманская модель Cohere для корпоративных агентных сценариев. Она принимает текст и изображения, поддерживает контекст длиной 192 тысячи токенов и нативный вызов инструментов со строгими схемами. Модель предназначена для многошаговых рабочих процессов, где требуется анализировать входные данные и обращаться к внешним инструментам. Доступный фрагмент карточки подтверждает поддержку текста и изображений, но не сообщает архитектуру, число параметров, языки, лицензию или ограничения. Поэтому эти характеристики нельзя надёжно описать.

ProgramManager-v1-2B — дообученная авторами репозитория theprint языковая модель на базе unsloth/Qwen3.5-2B. Она адаптирована методом supervised fine-tuning с автоматическим подбором гиперпараметров на наборе TechPM Combined 6.40k sharegpt, чтобы лучше отвечать на запросы, похожие на примеры из обучающих данных. В карточке указано два цикла обучения и адаптация LoRA с r=4, alpha=4 и dropout=0,07. Модель предназначена для генерации текста в диалоге и задач, связанных с управлением техническими программами и проектами, в пределах тем и стиля обучающего набора. Архитектура — плотная Qwen3.5ForCausalLM, около 1,7 млрд параметров; заявленный контекст — до 262 144 токенов. Поддерживаемый язык карточки — английский. Для запуска описана загрузка через Transformers; веса представлены в safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Модель разработана для преобразования таблиц KPI в краткие управленческие отчёты. Это дообученная на синтетических бизнес-данных модель FLAN-T5 Base с архитектурой T5 encoder-decoder и 123,8 млн параметров; опубликованный чекпойнт объединён и загружается через Transformers. Модель принимает структурированные данные в CSV или JSON и формирует план тезисов для отчёта на английском языке. Контекст составляет 512 токенов. Модель предназначена для суммаризации KPI, подготовки черновиков отчётов для руководителей и экспериментов с генерацией текста по таблицам. В полном приложении генерацию дополняют детерминированный анализ показателей, ссылки на исходные строки и проверка числовых утверждений; сама модель не является источником фактов. В оценке на 250 примерах неподтверждённые утверждения до проверки встречались, а 100% поддержки утверждений после проверочной фильтрации относится к полному приложению. Лицензия — Apache-2.0. Обучающие данные синтетические и могут не отражать реальные корпоративные форматы. Результат модели без проверки может содержать неподтверждённые или численно неверные утверждения; для важных отчётов нужна проверка человеком. Экспорт ONNX проверялся лишь на пяти примерах и в измеренной среде работал медленнее CUDA-версии.

Project Manager-SLM — компактная языковая модель, обученная с нуля для роли менеджера проектов. Это плотный LLaMA-подобный трансформер примерно с 989 млн параметров, использующий RoPE, RMSNorm и SwiGLU; заявлена длина контекста до 5 млн токенов. Модель обучалась три эпохи с градиентным чекпойнтингом; в карточке приведено лучшее значение eval loss 3,15. Модель предназначена для генерации текста по задачам управления проектами, включая планирование, Agile-процессы и управление рисками. Карточка указывает английский язык. Весы доступны в формате safetensors, лицензия — MIT. Заявленное окно контекста не подтверждает качество обработки столь длинных входов; в карточке нет данных о независимых оценках качества или проверке на практических сценариях.

Модель badmuriss/ppe-detection-yolov8s — детектор средств индивидуальной защиты для платформы Vigilante.AI, разработанный для мониторинга строительных площадок и промышленных объектов. Это дообученная на данных COCO модель Ultralytics YOLOv8s-P2 с дополнительной головой для обнаружения мелких объектов; размер входного изображения при обучении — 960 пикселей. Она принимает изображения и видеопотоки, включая RTSP и веб-камеры, и находит защитные каски, сигнальные жилеты, непокрытые каской головы и отсутствие жилета. Модель предназначена для мониторинга соблюдения требований СИЗ, формирования предупреждений для проверки руководителем и отчётности о соблюдении требований по камерам и объектам. В README приведены метрики на тестовом разделении и данные проверки при уменьшении изображений, однако автор предупреждает, что тестовые данные происходят из тех же источников, что и обучающие, а полнота обнаружения реальных нарушений на видеозаписях с камер наблюдения не измерялась. Модель не обнаруживает перчатки, обувь, очки и другие виды СИЗ; качество может снижаться при сильном перекрытии, низком разрешении и необычных ракурсах, а сигнальную одежду можно спутать с жилетом. Лицензия — AGPL-3.0.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный penfever методом асинхронного RLOO на данных TaskTrove v4.9 для агентных сценариев работы с календарём. Модель предназначена для генерации ответов и действий в задачах календарного агента. Чекпойнт основан на MoE-архитектуре Qwen3, использует библиотеку Transformers и формат Safetensors; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. В README приведён результат 59 успешных прохождений из 128 на проверочной выборке, однако она пересекалась с источником обучающих данных, поэтому этот показатель не является независимой оценкой обобщения. Лицензия в предоставленных данных не указана.

Это компактная модель распознавания речи Whisper Tiny, дообученная Провоторовым Н. Р. на русском языке с акцентом на нефтегазовую терминологию. Она преобразует аудиозаписи в текст и подходит для транскрибации речи в нефтегазовой тематике. Модель основана на openai/whisper-tiny и обучена на 480 аудиопримерах с аугментацией шума, скорости, высоты тона и реверберации. В README указаны WER 45,08%, точность распознавания отраслевых терминов 57,15% и обычных слов 72,64%; для доменных терминов отмечено улучшение относительно базовой модели. Распространяется в формате safetensors по лицензии Apache-2.0.

knkarthick/Action_Items — модель классификации текста на базе DistilBERT, дообученная на пользовательском наборе данных для выявления пунктов действий. Она относит входной фрагмент текста к одному из двух классов: «не является пунктом действия» или «пункт действия». Модель подходит для автоматического выделения задач и обязательств из заметок, стенограмм и деловой переписки. Поддерживает английский язык, использует архитектуру DistilBertForSequenceClassification и контекст до 512 токенов. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит метрик качества или подробностей о составе обучающего набора, поэтому пригодность для конкретного корпуса следует проверять отдельно.

OpenCSG Agentic-30B-A3B — первая модель серии OpenCSG Agentic, дообученная для локальных и корпоративных ИИ-агентов, выполнения Skills и работы с инструментами. Она предназначена для сценариев, где агенту нужно следовать инструкциям, выбирать навык, формировать аргументы, анализировать ответы инструментов и выполнять многошаговые задачи в нескольких системах. В основе лежит Qwen/Qwen3-30B-A3B с архитектурой MoE Qwen3MoeForCausalLM: в README указаны 30,53 млрд параметров всего и около 3,3 млрд активных на токен, 128 экспертов и 8 активных экспертов. Модель выпущена в BF16, поддерживает контекст до 40 960 токенов и ориентирована на китайский и английский языки. Для запуска авторы приводят измерения на одной NVIDIA A800 80 ГБ с vLLM. Сильная сторона модели — обучение на сценариях вызова инструментов и восстановления после ошибок; среди приведённых удачных примеров — управление почтой и календарём, CRM и планирование проектов. Оценка Agentic Eval также показывает заметное снижение результатов на сложных, длинных и межсистемных задачах, особенно на китайском языке. Авторы рекомендуют проверять результаты и требовать подтверждения человека для чувствительных операций. Лицензия указана как other; условия использования следует сверять с лицензионным соглашением репозитория.

LFM2-2.6B-Transcript — компактная плотная языковая модель Liquid AI, разработанная совместно с AMD для суммаризации расшифровок встреч. Модель дообучена на базе LiquidAI/LFM2-2.6B и содержит 2,4 млрд параметров; её контекст составляет 128 000 токенов. Она принимает текстовую расшифровку с указанием участников и выдаёт связное резюме, ключевые тезисы, решения и поручения. Модель рассчитана на длинные транскрипты встреч продолжительностью 30–60 минут, включая внутренние совещания, звонки с клиентами и брифинги. Она поддерживает английский язык и предназначена для одношагового диалога с заданным форматом входа. По заявлению разработчиков, модель может работать локально на CPU, GPU и NPU, в том числе в условиях ограниченной памяти, что подходит для конфиденциальных и автономных сценариев. Для этого репозитория указана лицензия other; конкретные условия использования следует сверить с лицензией и документацией модели. Качество и скорость зависят от оборудования и входной расшифровки. Разработчики рекомендуют низкую температуру генерации, около 0,3; модель специализирована на английских стенограммах встреч, поэтому не следует считать её универсальной или многоязычной.

Sequelbox Qwen3-4B-Thinking-2507-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, созданная дообучением Qwen/Qwen3-4B-Thinking-2507. Она генерирует текст и предназначена для причинного анализа: выявляет связи между факторами, оценивает уверенность и формирует результат в виде структурированного ориентированного ациклического графа (DAG), представленного в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель подходит для анализа причин и следствий в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении, а также для подготовки графов к визуализации или дальнейшей обработке. Для получения структурированного DAG следует явно запросить граф или анализ; модель также может ответить в обычном стиле Qwen3. Карточка описывает её как ранний экспериментальный выпуск и рекомендует проверять структуру выходных данных перед продуктивным использованием. Доступна по лицензии Apache-2.0.

Bogula/pinktilde30b_64k — дообученная с помощью LoRA и SFT модель на базе TildeAI/TildeOpen-30b-64k, созданная для немецкоязычного обучения и ответов с опорой на документы. Она использует архитектуру Llama, содержит 29,9 млрд параметров и принимает текстовый контекст длиной до 65 536 токенов. Модель предназначена для диалогового обучения и работы с длинными корпоративными документами и материалами по управлению, продажам и педагогике. Обучение проходило в два этапа: на инструкциях, немецких сводках и корпоративных диалогах, затем на многоходовых диалогах и RAG-документах с отвлекающими фрагментами. Поддерживается немецкий язык; формат весов — SafeTensors, библиотека — Transformers. Модель может ошибаться; её ответы не следует использовать для принятия юридических, финансовых или медицинских решений без проверки. Лицензия указана как «other»; в обучающих данных использовался NVIDIA Nemotron под лицензией ODC-By, для которой требуется атрибуция.

sequelbox/gpt-oss-20b-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, дообученная на openai/gpt-oss-20b. Она предназначена для причинно-следственного анализа: по запросу модель выделяет связи между факторами, оценивает уверенность и формирует ориентированный ациклический граф в структурированном JSON-формате. Для получения такого результата нужно явно попросить граф или анализ; в остальных случаях модель может отвечать в обычном стиле gpt-oss-20b. Архитектура — MoE для генерации текста, указанное в метаданных число параметров — 1,6 млрд, контекст — 131 072 токена; модель работает с текстом на английском языке и поддерживает чат и выполнение инструкций. Разработчик описывает применение в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении. Релиз экспериментальный; для использования результатов рекомендуется проверять структуру JSON. Лицензия — Apache-2.0.

Luigi разработал Gemma-4-E2B meeting agent (zh-TW) — дообученную версию Gemma-4-E2B для работы с расшифровками совещаний на устройствах с ограниченными ресурсами. Модель принимает фрагменты китайской речи на традиционном письме Тайваня вместе с журналом предыдущих заметок и по заданному протоколу формирует краткие заметки с временными отметками и ссылками на источник: решения, поручения, предложения, открытые вопросы и ключевые цифры. В версиях начиная с v8 она также составляет связное резюме и заголовок встречи по заметкам. В основе лежит Google Gemma-4-E2B-it-qat-q4_0-unquantized; модель дообучена с LoRA-адаптером и распространяется в том числе в формате GGUF Q4_0 размером 3,35 ГБ. Для телефонов подготовлена версия LiteRT-LM, рассчитанная на CPU; README приводит результаты измерений на Galaxy Note10+ и указывает, что на этом устройстве CPU быстрее GPU. Модель предназначена для специализированного протокола с последовательной подачей фрагментов стенограммы, а не для произвольного диалога. Указанный в примере контекст запуска GGUF — 32 768 токенов; мобильная версия использует контекст 4k на окно и перезапускает сессию на компактном журнале при достижении 8k токенов. Лицензия — Apache-2.0.

LFM2-2.6B-Transcript-GGUF — компактная языковая модель Liquid AI, созданная на основе LFM2-2.6B при сотрудничестве с AMD. Это квантованный вариант в формате GGUF, предназначенный для запуска через llama.cpp и совместимые инструменты, прежде всего на локальных устройствах с ограниченными ресурсами. Модель специализируется на суммаризации длинных расшифровок совещаний продолжительностью примерно 30–60 минут. Она формирует структурированные результаты, включая ключевые пункты, принятые решения и задачи, а также может создавать краткие и подробные резюме, выделять участников и обсуждавшиеся темы. Поддерживаются сценарии внутренних встреч, звонков с клиентами, заседаний совета директоров, исполнительных брифингов и работы с чувствительными данными без передачи информации в облако. Заявлены запуск на CPU, GPU и NPU, использование менее 3 ГБ RAM для длинных встреч и быстрое получение резюме. Поддерживаемый язык — английский. Модель рассчитана на однократное взаимодействие со специальным форматом входных данных, содержащим сведения о встрече и реплики участников; рекомендуется системная инструкция для анализа расшифровки и температура 0,3. Ограничениями являются узкая специализация на суммаризации встреч, англоязычная поддержка и зависимость качества от соблюдения рекомендованного формата. В метаданных указана лицензия lfm1.0; тип лицензии обозначен как other.

Это чекпойнт LED-base, дообученный командой Immich для суммаризации совещаний. Модель обучена на подходящей для задачи части AMI Meeting Corpus с seed обучения 42; вариант pipeline описан как базовая обработка полной записи встречи или иерархическая последовательность сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, использует архитектуру LED и сохранена в формате safetensors. Она предназначена для создания краткого содержания диалогов совещаний; карточка указывает загрузку через Transformers как seq2seq-модель. Лицензия — MIT.

Whisper Small от FutureProofGlitch — дообученная версия openai/whisper-small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и обучена на корпусе AMI Meeting Corpus, содержащем записи совещаний. Подходит для преобразования речи из записей встреч в текст; для оценки приведены WER 19,38 и WER Ortho 19,58 на тестовой выборке. Модель принимает аудио и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Подробности о сценариях применения и ограничениях качества в карточке не раскрыты.

Это контрольная точка модели BigBird-Pegasus, разработанная Immich для суммаризации встреч. Она обучена на подходящей части AMI Meeting Corpus с seed обучения 42 и относится к варианту baseline для обработки полной встречи либо иерархического конвейера сегментации, извлечения и генерации. Модель предназначена для создания краткого содержания диалога встречи; архитектура — BigBirdPegasusForConditionalGeneration, размер — 366,8 млн параметров, контекст — 4096 токенов. Принимает текст и выдаёт текст.

GoudERP-8B — языковая модель для вопросов и диалогов по системам планирования ресурсов предприятия (ERP), разработанная на основе Qwen3-8B. Веса содержат 7,6 млрд параметров, формат — safetensors; модель принимает текст и выдаёт текст, поддерживает чат. Контекст — до 40 960 токенов. В карточке заявлены английский язык и обучение на материалах по Oracle Fusion, SAP и Workday. Модель прошла доменное предварительное обучение на ERP-текстах, два этапа дообучения с учителем на ERP-диалогах и данных общего назначения, а затем слияние TIES с базовой моделью. Она предназначена для ответов на вопросы о модулях и бизнес-процессах ERP, объяснения правил и поддержки сценариев с вызовом инструментов. Автор сообщает о высокой точности на собственном ERP-бенчмарке; это результат внутренней оценки, а не гарантия качества в конкретной организации. Ограничения: следование инструкциям уступает базовой Qwen3-8B; применение инструментов в целом на уровне базы, а более крупные модели лучше справляются с многошаговыми вызовами. Данные обучения охватывают другие ERP-платформы слабее, чем Oracle Fusion, SAP и Workday. Лицензия — Apache-2.0.

KolmogorovAcc/sovereign-anthology-gemma-2-2b — текстовая генеративная модель на базе Google Gemma 2 2B IT. По описанию автора, она адаптирована для операционного анализа, структурирования решений в условиях неопределённости и применения методики Analysis of Competing Hypotheses (ACH). Модель ориентирована на локальный и автономный запуск, включая сценарии с повышенными требованиями к конфиденциальности и работу без облачной инфраструктуры. Заявленный язык — английский. Модель предназначена для анализа сложных кризисных ситуаций, распределения ресурсов, выявления и проверки конкурирующих гипотез, поиска опровергающих свидетельств, подготовки аудируемых операционных протоколов и последующего анализа результатов. README также описывает интеграцию с внешним слоем фактических данных через RAG, векторное хранилище и граф знаний; сама модель, согласно этому описанию, должна обеспечивать процедурную дисциплину рассуждений, а не хранить конкретные исторические документы. Из известных характеристик указаны архитектурное семейство Gemma 2, размер 2B параметров, текстовая модальность и использование библиотеки Transformers. Заявлена совместимость с локальным запуском на потребительском оборудовании, в частности AMD Radeon RX 7600 XT через DirectML, а также с Ollama, однако фактическая производительность и качество этих интеграций не подтверждены приведёнными данными. Ограничения включают небольшой размер модели, английскую языковую специализацию и зависимость качества анализа от полноты и достоверности предоставленных данных; заявления об автономности и устойчивости к ошибкам следует воспринимать как заявленные свойства, а не как результаты независимой оценки. Лицензия указана как Gemma; условия использования определяются лицензией Google Gemma.

BAU-Small-1.5B — компактная диалоговая языковая модель, представленная как официальная заявка для Laptop LLM на Africa Deep Tech Challenge 2026. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct с дообучением LoRA на 10 000 синтетических примеров взаимодействий малого бизнеса. Модель поставляется в формате GGUF с квантизацией IQ3_XS и калибровкой llama-imatrix; размер файла около 698 МБ, заявленная пиковая потребность в памяти — 6,1 ГБ на ноутбуке с 8 ГБ ОЗУ. Модель предназначена для автономного офлайн-помощника малому бизнесу, розничным аптекам и локальным складам. Она ведёт деловые диалоги, помогает с расчётами, заметками и операционными рекомендациями, а также формирует структурированные JSON-ответы для графиков и анализа записей аудита. Карточка описывает встроенный шаблон чата с маршрутизацией между обычным диалогом и заданными схемами. Интерфейс GGUF рассчитан на запуск через llama.cpp и llama-cpp-python. Карточка указывает английский язык и лицензию Apache-2.0. Модель компактна и предназначена для локального запуска без облачных зависимостей; результаты глубокого анализа и извлечения данных следует сверять с исходными записями, а надёжность и качество на иных языках и задачах в карточке не охарактеризованы.

Palette-K-Midm — дообученная компанией Palette Lab модель KT Mi:dm-2.0 для подготовки корейских корпоративных документов. Она специализируется на извлечении решений из протоколов совещаний и генерации структурированного ответа, например JSON. Модель основана на плотной архитектуре Llama с 11 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для адаптации применён QLoRA с LoRA ранга 8: обучение на 397 синтетических примерах продолжалось одну эпоху, чтобы сохранить возможности базовой модели. В бенчмарке PALETTE-BENCH-KO v0.2 модель набрала 0,866 и заняла первое место среди семи моделей; преимущество над базовой моделью составило 0,010 на выборке из 32 заданий и не свидетельствует о превосходстве в общем понимании корейского языка. Извлечение решений из протоколов не улучшилось относительно базы, а интенсивное дообучение той же базы ухудшило результаты из-за катастрофического забывания. Модель лицензирована по Apache-2.0; базовая модель распространялась по MIT.

Certo Unified 4B — модель принятия решений, разработанная Certo на базе Qwen/Qwen3-4B и дообученная с помощью soft-target и proper-score подхода. Она принимает описание состояния и варианты ответа, а вместо одного ярлыка выдаёт распределение вероятностей для выбора из вариантов, оценки по порядковой шкале или ответа «да/нет». Доступны быстрый режим по последнему токену промпта и режим с кратким обоснованием; оба возвращают калиброванные вероятности. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3, поддерживает контекст до 40 960 токенов и запускается через Transformers. Лицензия — Apache-2.0. Модель предназначена для маршрутизации запросов, выбора инструмента, триажа, определения намерения и допуска, а также проверки утверждений и порядкового оценивания — при наличии примеров соответствующих типов решений. В тестах, приведённых в карточке, она показывает высокую точность выбора, в том числе по описаниям вариантов из новых областей, и хорошую калибровку на поддерживаемых задачах. Карточка обозначает выпуск как исследовательский preview. Модель не переносит надёжно оценивание на незнакомые рубрики и источники и почти случайно справляется с новым типом решения без дообучения. На данных с существенным сдвигом распределения точность и калибровка снижаются; модель также не предназначена для общих задач на знания о мире. Калибровка вероятностей зависит от соответствия калибровочных данных условиям применения.

Tholos-2B — компактная языковая модель Eschatia Labs, разработанная Мертом Кая для локальных AI-агентов и выбора инструментов при работе с таблицами, заметками и задачами. Это дообучение MiniCPM5-2B с LoRA на синтетических англоязычных траекториях выполнения инструментов. Модель содержит 2,2 млрд параметров, использует архитектуру LlamaForCausalLM и доступна в формате safetensors. Заявленная длина контекста — 131 072 токена, однако описанные оценки проводились с контекстом 16 384 токена. Модель обучена для последовательного выбора одного из тринадцати инструментов и выдачи структурированного ответа с полями thought, tool и args. В тесте Tholos-Bench она успешно прошла 137 из 160 сценариев при декодировании JSON-схемы на Kaggle T4; результаты меняются в зависимости от среды и режима декодирования. Применение в других задачах и с другими форматами инструментов не оценивалось. Рекомендуется проверять вызовы инструментов и сохранять подтверждения для операций с последствиями; бенчмарк не подтверждает общую безопасность модели. Лицензия — Apache-2.0.

Это экспериментальный контрольный чекпойнт BART-base от Immich для суммаризации совещаний. Модель обучена на подходящей части AMI Meeting Corpus с seed 73; её можно загружать через Transformers как модель последовательность-в-последовательность. Вариант baseline предназначен для обработки полного собрания либо для сравнения с иерархическим конвейером сегментации, извлечения и генерации. Модель имеет архитектуру BART и около 95,2 млн параметров. Максимальный контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Карточка не сообщает о поддержке русского языка; обучающие данные относятся к AMI Meeting Corpus, поэтому модель ориентирована на совещания на английском языке.