III.10Проекты, процессы и операционное управление

DiCoW v3.2 — модель распознавания речи от команды BUT Speech@FIT Брненского технического университета, предназначенная для многособеседниковой автоматической транскрипции речи (MT-ASR) и распознавания речи целевого говорящего. Модель основана на Whisper large-v3-turbo и насчитывает около 905,2 млн параметров; в карточке указана архитектура DiCoW и формат весов safetensors. Для загрузки используется Transformers. В версии 3.2 применены преобразование FDDT с учётом диаризации, последовательное декодирование с резервным поиском, обнаружение и подавление галлюцинаций при инференсе, а декодер заморожен при дообучении для сохранения языковых возможностей. Обучение опиралось на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix; использовались шумовые аугментации, включая SpecAugment и смешивание с MUSAN. Модель рассчитана на многоязычную речь, однако конкретный перечень языков в предоставленных данных не приведён. Лицензия модели — CC BY 4.0; базовая модель имеет лицензию MIT, а обучающие данные — CC BY 4.0.

LFM2-2.6B-Transcript-GGUF — языковая модель компании Liquid AI, созданная на основе LFM2-2.6B при партнёрстве с AMD. Она предназначена для приватного локального суммирования записей встреч и ориентирована на работу непосредственно на устройстве, чтобы данные совещаний не покидали его. Модель имеет размер 2,6 млрд параметров и распространяется в формате GGUF для запуска, в частности, через llama.cpp. Заявлена поддержка работы на CPU, GPU и NPU, потребление менее 3 ГБ оперативной памяти при обработке длинных встреч и получение сводок за секунды. В метаданных указаны английский язык и задача генерации текста; сведения о размере контекста, точной архитектуре, поддерживаемых форматах входных данных и мультимодальности не приведены. К сильным сторонам относятся локальное выполнение, повышенная конфиденциальность, низкие требования к памяти и высокая скорость суммирования; разработчик заявляет качество, сопоставимое с облачными решениями и приближающееся к качеству значительно более крупных моделей. Ограничения включают отсутствие подробных данных о контекстном окне, языковой поддержке за пределами английского и характеристиках качества на конкретных наборах данных. Лицензия указана как lfm1.0; тип лицензии обозначен как other.

Decision-1.0-Lex-0.6B — специализированный классификатор Open Decision Foundation Models для операционных решений, дообученный на базе llm-semantic-router/Decision-1.0-Kai-0.6B. Модель содержит около 572 млн параметров и использует архитектуру Decision1 с тремя двунаправленными энкодерными путями по 22 слоя, общими многоязычными входными эмбеддингами и отдельными блоками взаимодействия и классификации для задач выбора, проверки условий и оценки. Lex принимает контекст, вопрос и описания вариантов, после чего возвращает вероятности кандидатов, оценку истинности условия либо распределение по упорядоченной шкале и ожидаемое значение. Она предназначена, в частности, для выбора действий или эскалаций в поддержке, маршрутизации счетов и исключений, оценки сигналов безопасности и классификации результатов работы агентов. README сообщает об оценке на английских примерах и приводит точность 78,15% на тестовом наборе из 2 000 решений. Входной запрос ограничен 1 024 токенами; превышение лимита приводит к ошибке без усечения. Вероятности не являются калиброванной уверенностью, а результаты могут зависеть от порядка кандидатов и формулировки задачи. Для серверного развёртывания требуется совместимая среда vLLM Semantic Router Decision; доступен также локальный запуск через Transformers с кодом репозитория. Лицензия — Apache-2.0.

Ertas AI выпустила дообученную модель SegEnc на базе Salesforce/socratic-pretraining-qmsum для суммирования найденных фрагментов стенограмм встреч с учётом вопроса пользователя. Она использует архитектуру Segment Encoder с Fusion-in-Decoder поверх BART-large: стенограмма делится на сегменты, кодируемые независимо, а декодер учитывает их совместно. Модель содержит 406,3 млн параметров; метаданные указывают 252,8 млн. Веса представлены в формате safetensors, размер контекста по метаданным — 1024 токена, а заявленная в README ёмкость обработки при разбиении на сегменты — до 4008 токенов. Модель предназначена для сценария locate-then-summarize на датасете QMSum: сначала извлекаются релевантные фрагменты, затем они суммируются в ответ на запрос. Поддерживаемый язык — английский. Авторы сообщают о сопоставимых метриках с их системой на 1,2 млрд параметров при меньшем числе параметров и меньшем пиковом потреблении памяти, однако статистическая эквивалентность не установлена. Лицензия — BSD 3-Clause.

Biggiraffe/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. Она предназначена для генерации текста в диалоговом формате; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний с выдачей результата в JSON. Модель содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Модель разработана Biggiraffe и обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Карточка этой версии не уточняет, меняет ли этап GRPO назначение базовой модели или какие метрики качества были получены.

knkarthick/meeting-summary-samsum — модель семейства BART, дообученная на наборе SAMSum на основе facebook/bart-large-xsum. Она предназначена для суммаризации текстовых стенограмм встреч и диалогов, в том числе для подготовки краткого пересказа разговора. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст до 1024 токенов. Модель работает с текстом на английском языке. Опубликована в формате PyTorch под лицензией Apache-2.0. Ее специализация на диалогах SAMSum делает ее подходящей для кратких сводок разговоров; качество за пределами этой задачи не подтверждено.

Это экспериментальный чекпойнт модели LED-base от Immich, дообученный для суммаризации совещаний на подмножестве AMI Meeting Corpus с seed обучения 73. Модель использует архитектуру LED для генерации сводок по длинным диалогам; размер составляет 95,2 млн параметров. В README описаны два сценария: суммаризация всей встречи и иерархический конвейер сегментации, извлечения и генерации. Веса опубликованы в формате safetensors. Модель предназначена для подготовки кратких итогов совещаний и диалогов на материалах, похожих на AMI Meeting Corpus. Лицензия — MIT. Число участников, языков и длина контекста в предоставленных данных не указаны, поэтому их нельзя надёжно определить.

Supply Chain DistilBERT Risk Classifier — дообученная модель DistilBERT от mathurvarun84 для классификации рисков в цепочках поставок электроники. Она относит входной текст к одному из четырёх классов: LOW, MEDIUM, HIGH или CRITICAL, и подходит для автоматической оценки записей о возможных сбоях поставок. Модель основана на distilbert-base-uncased, принимает текст на английском языке с контекстом до 512 токенов и выдаёт метку класса. Используются веса в формате safetensors. Лицензия — Apache-2.0.

NotoriousH2/Qwen3-0.6B-JSON-SFT — компактная плотная языковая модель на архитектуре Qwen3, дообученная автором методом полного SFT на базе Qwen/Qwen3-0.6B. Она преобразует корейские протоколы совещаний в JSON с полями meeting_metadata, action_items, decisions и blockers. Модель рассчитана на извлечение сведений о встрече и структурирование поручений, решений и препятствий для последующей автоматической обработки. Для дообучения использовано 1 115 примеров из NotoriousH2/meeting-to-json-ko; максимальная длина последовательности при обучении составляла 3 072 токена. В тесте из 273 примеров автор сообщает parse rate 98,9%, соответствие схеме 97,8% и долю семантически корректных ответов 96,4%; это результаты собственной оценки с температурой 0. Модель содержит около 507,9 млн параметров, принимает текст и генерирует текстовый JSON; метаданные указывают контекст до 40 960 токенов. Модель специализирована на корейских протоколах и не подтверждена для других языков или типов документов. Указанные метрики относятся к конкретному тесту и методике автора. Сведения о лицензии в предоставленных данных отсутствуют.

Чекпойнт на базе BART-base, разработанный Immich и дообученный для суммаризации диалогов совещаний. Он обучен на подходящей части AMI Meeting Corpus с seed 42 и рассчитан на создание краткого изложения полного совещания либо на работу в иерархическом конвейере сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, использует архитектуру BART и поддерживает контекст до 1024 токенов. Модель подходит для подготовки кратких итогов встреч по их расшифровкам. Карточка описывает её как baseline и указывает отдельные репозитории для других seed того же варианта. Лицензия — MIT. Данные о поддерживаемых языках и измеренных ограничениях качества не приведены; обучение на AMI Meeting Corpus само по себе не подтверждает поддержку конкретного языка.

Модель Immich — контрольная точка BigBird-Pegasus для суммаризации диалогов и встреч. Она обучена на подходящей части AMI Meeting Corpus с seed 42 и предназначена для создания краткого содержания полной встречи либо для иерархического конвейера сегментации, извлечения и генерации. Архитектура — BigBird-Pegasus для последовательной генерации текста; модель содержит 366,8 млн параметров и поддерживает контекст до 4096 токенов. Модель ориентирована на англоязычные записи встреч AMI. Лицензия — MIT. Карточка описывает обученную контрольную точку, но не приводит метрик качества или подробностей поведения при обработке длинных и шумных диалогов.

Supply Chain RAG Embeddings — дообученная Varun Mathur модель эмбеддингов на базе all-MiniLM-L6-v2 для поиска по материалам о цепочках поставок. Она преобразует текстовые запросы и документы в векторные представления для retrieval-сценариев, включая поиск исторических прецедентов, сведений об экспортном контроле, источниках поставок в Индии и пар вопрос–ответ о мерах снижения рисков. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для семантического поиска и подбора контекста в системах RAG по тематике цепочек поставок. В карточке указана лицензия Apache-2.0. README показывает пример кодирования текстового запроса через Sentence Transformers; качество зависит от соответствия корпуса и запросов тематике обучения.

AudenAI/TagSpeech-AMI — модель сквозного распознавания речи нескольких говорящих с диаризацией, разработанная AudenAI и дообученная на базе Qwen/Qwen2.5-7B-Instruct. Она принимает аудиоволну и за один проход формирует расшифровку с метками говорящих, временными отметками и прогнозом пола говорящего. Архитектура использует два энкодера — семантический и голосовой — и числовые временные якоря; для входа рекомендуется аудио с частотой 16 кГц. Модель предназначена прежде всего для офлайн-расшифровки совещаний и разговоров с несколькими участниками, включая перекрывающуюся речь и шумные условия записи на расстоянии. Выход представлен в XML и может быть преобразован в JSON. Модель поддерживает английский язык и обучалась примерно на 65 часах речи из набора AMI. Рекомендуется обрабатывать фрагменты длительностью не более 30 секунд; для длинных записей требуется самостоятельно организовать разбиение на фрагменты и постобработку. Модель не поддерживает потоковое распознавание, а качество может снижаться на аудио вне домена AMI. Лицензия — Apache-2.0.

AgentFlow_agentflow-planner-7b-GGUF — это квантованная версия текстовой генеративной модели agentflow-planner-7b, разработанной AgentFlow и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с использованием llama.cpp версии b6714 и метода imatrix. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Она подходит для генерации текста и сценариев, связанных с планированием, однако точная специализация, поддерживаемые языки, архитектура исходной модели и размер контекстного окна в представленном README не указаны. Доступны варианты от BF16 до Q2_K_L, с размером файлов примерно от 3,57 до 15,24 ГБ. Варианты с более высокой точностью обычно обеспечивают лучшее качество, а компактные квантизации требуют меньше оперативной памяти. К сильным сторонам относятся широкий выбор уровней квантизации, поддержка локального инференса и совместимость с распространёнными инструментами экосистемы llama.cpp. Ограничения включают отсутствие указанного chat template, из-за чего формат промпта может потребовать проверки по исходной карточке модели, а также неизвестные сведения о лицензии, языках и фактических характеристиках качества. Лицензия в README не указана.

JevK5 v0.3 — открытая модель с весами, разработанная независимо как альтернатива Jev от TypeSafe AI для принятия решений с типизированными ответами. Она принимает описание состояния и вопрос с ответом «да/нет», выбором из вариантов или оценкой, а затем за один проход выдаёт вероятности вариантов без генерации токенов. Для использования специализированного считывания нужен runtime JevK5; обычный вызов генерации текста через Transformers не выполняет этот readout. Модель основана на Qwen3.5-4B: LoRA ранга 16 для проекций внимания объединена с весами. Вероятности вычисляются по логитам токенов букв вариантов с температурной калибровкой; вопросы более чем с 16 вариантами обрабатываются в несколько проходов. Контекст составляет до 262144 токенов, число параметров — около 3,4 млрд. Модель подходит для маршрутизации обращений, классификации запросов, выбора действия и выставления оценок, когда результат требуется получить в виде вероятностей по заданным вариантам. В карточке приведены результаты на отложенных проверках и JevBench; качество зависит от типа вопроса и набора данных, а часть показателей основана на небольших выборках. Указана поддержка английского языка. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящем подмножестве корпуса AMI Meeting Corpus с seed 42; вариант baseline рассчитан на обработку полной записи совещания либо на иерархический конвейер сегментации, извлечения и генерации. Архитектура — LED для генерации последовательностей, размер — 95,2 млн параметров; веса представлены в safetensors. Использовать модель можно через Transformers как seq2seq-модель. Модель подходит для создания кратких итогов совещаний и диалогов на материале AMI. В карточке не подтверждены языки, длина контекста и сравнительное качество, поэтому их нельзя надежно охарактеризовать. Лицензия — MIT.

Salesforce/xLAM-8x7b-r — большая языковая модель серии xLAM от Salesforce для агентских сценариев и вызова функций. Модель построена на архитектуре Mixtral с разреженной экспертной структурой (MoE); в README для этой версии указано 46,7 млрд параметров, а метаданные каталога указывают 7,1 млрд. Контекст составляет 32 768 токенов. Модель принимает текст и генерирует текст, в том числе структурированные вызовы инструментов в формате JSON. Модель предназначена для интерпретации намерений пользователя, планирования шагов и взаимодействия с инструментами в составе AI-агентов, а также для многошаговых диалогов с вызовом функций. Для лучших результатов README рекомендует использовать формат prompt и вспомогательные функции проекта. Карточка позиционирует выпуск как исследовательский; лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

TinyJev-0.6B — плотная текстовая модель решений, разработанная AnkitAI на базе Qwen3-0.6B-Base. Она оценивает предложенные варианты и возвращает вероятность каждого из них, не генерируя свободный текст. Интерфейс поддерживает выбор из вариантов, оценку истинности утверждения и размещение состояния на упорядоченной шкале; контекст модели — 32 768 токенов. Модель предназначена для локального выполнения структурированных решений по текстовому состоянию, заявке, записи или строке журнала. По README, она содержит около 596 млн параметров, использует pointer head и калибровку вероятностей с температурой 1,46; метаданные указывают 507,9 млн параметров. Поддерживаются MLX на Apple Silicon и PyTorch, а репозиторий содержит веса в safetensors. README сообщает о тестировании на наборах задач принятия решений, но приводит ограниченные результаты переноса, поэтому качество для конкретных прикладных сценариев следует проверять отдельно. Модель принимает только текст и выдаёт оценки вариантов и вероятности. README указывает обучение Qwen3-0.6B-Base с LoRA на открытом наборе jaredpalmer/kev-suites с последующим слиянием адаптера с базой. Лицензия модели — MIT; README также указывает Apache-2.0 для базовой модели, набора данных и дизайна pointer head.

Maksim-KOS/sft-qwen3-14b-flags — дообученная на Qwen3-14B модель-судья для оценки ответов виртуального ассистента по методологии LAP++ V7. Она принимает вопрос клиента, контекстные пассажи и ответ ассистента, затем выдаёт структурированные флаги и две итоговые метки: достижение цели диалога (gcr: present, partial или absent) и соответствие продуктовому видению (product_vision: present или absent).

SenseNova-U1-8B-MoT-Infographic — мультимодальная модель SenseNova, дообученная на базе SenseNova-U1-8B-MoT для создания инфографики. Она использует архитектуру NEO-unify, которая объединяет обработку текста и изображений в одной модели без отдельного визуального энкодера и VAE. Модель принимает текстовые и визуальные данные и поддерживает мультимодальное понимание и генерацию с чередованием текста и изображений. Основной сценарий — создание насыщенных информацией изображений: инфографики, диаграмм, постеров, презентаций, комиксов, резюме и иллюстраций знаний. В README сообщается об улучшении результатов на BizGenEval и IGenBench относительно базовой модели и о повышенном качестве компоновки и рендеринга текста, в том числе мелкого. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; для обслуживания авторы также описывают стек LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. Результаты генерации могут содержать неточности в тексте, данных диаграмм и визуальной компоновке; опубликованные сравнительные результаты не гарантируют качество для каждого запроса.

WikiQwen-9B — англоязычная плотная языковая модель на базе Qwen3.5-9B, дообученная Devon7y для ответов в виде пошаговых инструкций. Она превращает вопросы, описания проблем и другие сообщения в структурированную статью в Markdown: с заголовком, шагами и подписями к изображениям для генератора WikiQwen-Illustrator-7B. Модель содержит 7,2 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена. Модель подходит для создания практических руководств и инструкций на английском языке. Подписи к иллюстрациям рассчитаны на согласованный внешний вид повторяющихся людей, животных и предметов в рамках одной статьи. Это специализированный форматный помощник, а не универсальный чат-бот: даже приветствие или простой вопрос он оформит как инструкцию. Советы могут быть ошибочными, знания ограничены возможностями базовой модели и материалами из архива 2023 года; модель не просматривает интернет и не проходила дополнительное обучение безопасности. Для запуска автор рекомендует Transformers 5.x и около 18 ГБ памяти GPU для bf16-весов, без учёта памяти под контекст. Лицензия — CC BY-NC-SA 4.0.

Jeff-Qwen3.5-0.8B v1.2 — компактная модель классификации с нулевым обучением, разработанная автором репозитория на основе Qwen3.5-0.8B. Она сопоставляет описание ситуации с вариантами ответа и за один проход возвращает откалиброванные вероятности выбора, без генерации текста. Модель предназначена для быстрых решений в локальных приложениях и конвейерах обработки данных. Её можно применять для маршрутизации обращений, определения намерений, модерации, выбора команд и других задач, где варианты описаны словами и заранее не фиксированы. Автор сообщает о времени принятия решения около 22 мс на RTX PRO 6000 и точности 78,7% на собственном тесте; эти показатели относятся к описанным в карточке условиям и не гарантируют результаты на других данных. Для узкой предметной области автор рекомендует дообучение. Модель — дообучение плотной архитектуры Qwen3.5-0.8B, распространяется в формате Safetensors и использует библиотеку Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Это ранняя версия сообщества v1.2; в карточке также описан выпуск v1.3 под другим именем.

dispatchAI/Llama-3.2-1B-FunctionCall-mobile — компактная модель на базе Meta Llama 3.2 1B, оптимизированная для вызова функций и работы с инструментами на мобильных и других периферийных устройствах. Репозиторий распространяет веса в формате GGUF; в карточке указаны 1,23 млрд параметров, размер около 782 МБ и скорость около 27 токенов в секунду на Samsung S20 FE. Модель предназначена для локальных диалоговых агентов, которые выбирают и вызывают инструменты, например API, системы умного дома и корпоративные коннекторы CRM или ERP, а также для автоматизации рабочих процессов. Она принимает текстовые запросы и генерирует текст, включая инструкции для вызова функций. README описывает английский язык; лицензия — Llama 3.2. Это компактная модель, и её качество может быть ограничено по сравнению с более крупными моделями; в карточке нет результатов оценки качества.

ConceptNet Intent Classifier — разработанная ConceptNet Ltd модель классификации пользовательских намерений для голосовых и корпоративных AI-сценариев. Это дообученная многоязычная DistilBERT (`distilbert-base-multilingual-cased`) с архитектурой `DistilBertForSequenceClassification`; она относит запросы к четырём уровням таксономии: базовое действие, действие с условием, предиктивное действие или постоянно действующий автономный агент. Модель предназначена для классификации команд и маршрутизации намерений в голосовых и корпоративных системах. В карточке заявлены точность 100% на стандартном тестовом наборе для эпох 4 и 5, 99,3% на adversarial holdout и 83% для fast-path классификатора. Поддерживаются английский, французский, испанский, немецкий, итальянский, португальский, китайский, арабский и русский языки; длина контекста — 512 токенов. Модель распространяется под лицензией MIT.

Karar-4B — дообученная Eschatia Labs модель на 4 млрд параметров для классификации, маршрутизации и принятия решений по тексту, с выдачей вероятностей. Она основана на InternLM Intern-Decision-4B и дообучена с помощью LoRA на данных JevAlt. Архитектура — плотная Qwen3.5; модель работает с текстом и поддерживает контекст до 8 тыс. токенов. Основной язык — турецкий, также указана поддержка английского. Модель предназначена для локального применения в сценариях, где нужно отнести запрос или состояние к категории, выбрать маршрут либо получить оценку уверенности в решении. В README приведены результаты на тестовом наборе турецких решений из того же конвейера данных, что и обучающие данные; они не гарантируют аналогичного качества на других данных. Для порогов уверенности рекомендуется заново калибровать вероятности на собственных данных. Модель уязвима к внедрённым инструкциям, слаба на длинном нерелевантном тексте и вычислениях с датами; важные решения следует проверять отдельно. Лицензия — Apache-2.0.

TAMEV-Large-Qwen3.5-4B — модель принятия решений и маршрутизации от Tamkimd на основе Qwen3.5-4B. Она оценивает переданный список вариантов и возвращает распределение вероятностей, помогая выбрать один из вариантов, определить ответ «да/нет» или выставить порядковую оценку. Подходит для маршрутизации запросов и агентов, допуска вызова инструментов, первичной сортировки обращений, проверки политик и задач множественного выбора. Поддерживает английский язык; README описывает архитектуру in-context causal с обученной pointer head, которая оценивает предложенные варианты за один проход. Базовая модель Qwen3.5-4B загружается отдельно; для корректной работы требуется объединить с ней LoRA-адаптер jaredpalmer/kev-4b. Репозиторий распространяется по лицензии Apache-2.0. В README приведены результаты на наборе из 838 примеров: точность top-1 70,64%, top-3 97,49%, ECE 0,1190 и медианная задержка 513,59 мс на Apple Silicon Metal MPS. Это незавершённая версия, а измерения не прошли аудит на пересечение обучающих и тестовых данных. Вероятности зависят от порядка и формулировок вариантов, а калибровка зависит от набора данных. Модель предназначена как компонент принятия решений в системе и не подходит для генерации текста, ответов на фактические вопросы или самостоятельного контроля безопасности.

adaptive-classifier/escalation-detection — адаптивный классификатор текста для выявления срочных обращений. Модель разработана на основе answerdotai/ModernBERT-base и различает два класса: normal и urgent. В карточке указаны 10 примеров обучения, поровну для каждого класса, и размерность эмбеддингов 768. Классификатор предназначен для сортировки текстовых обращений по срочности. Он поддерживает непрерывное обучение и добавление классов; прототипы обновляются каждые 10 примеров. Для каждого класса требуется не менее трёх примеров, а максимальное число примеров на класс — 150. Модель распространяется по лицензии Apache-2.0.

LoudAI/LoudGen-report-korean-2B-v1.0 — дообученная разговорная языковая модель LoudAI на архитектуре IBM Granite 3.1, предназначенная для создания структурированных бизнес-планов на корейском языке по краткому описанию проекта. Модель насчитывает 2,5 млрд параметров, использует библиотеку Transformers и формат Safetensors; метаданные указывают контекст до 131 072 токенов, тогда как при описанном обучении применялась максимальная длина последовательности 2048 токенов. Модель формирует отчёты с разделами о бизнесе, проблемах и решениях, бизнес-модели, рынке и конкурентах, маркетинге, KPI, финансах и плане реализации. Она дообучена на примерно 700 собственных структурированных примерах бизнес-планов в Markdown и рассчитана прежде всего на корейские ответы. Модель подходит для подготовки черновиков планов и отчётов по краткому описанию бизнеса. Её ограничения — специализация на фиксированном формате бизнес-плана и корейском языке; качество ответов на других языках не гарантируется. Лицензия — Apache-2.0.

TAMEV-Micro-MiniLM — компактная модель принятия решений и маршрутизации, разработанная автором репозитория Tamkimd. Это дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2: он получает состояние, вопрос и переданный список вариантов, затем за один проход выдаёт распределение вероятностей по вариантам. Поддерживаются выбор одного из нескольких вариантов, ответы «да/нет» и порядковая оценка; фиксированный набор меток не требуется, поэтому список вариантов можно менять при вызове. Модель предназначена для маршрутизации запросов к инструментам и агентам, классификации намерений, оценки вариантов и предварительной сортировки решений. В README заявлены точность top-1 82,23%, ECE 0,0224 и задержка p50 7,29 мс на одном потоке CPU Apple M4; эти показатели получены на конкретном тестовом наборе и не гарантируют качество на новых данных. Варианты кодируются независимо, поэтому перестановка их порядка переставляет оценки без изменения самих значений; каждый вариант ограничен окном в 48 токенов. Модель не генерирует текст, не предназначена для открытых вопросов и не должна быть единственным непроверяемым механизмом безопасности. Качество на распределениях, отличающихся от обучающего, может быть близким к случайному; для рабочих сценариев автор рекомендует дообучение на данных целевого домена. Репозиторий распространяется по лицензии Apache-2.0.

Nawah-Router-v3 — модель маршрутизации арабских текстов, разработанная oddadmix. Она оценивает текст относительно категорий, которые пользователь задаёт свободным текстом на арабском языке, и ранжирует их за один проход; фиксированный набор меток не требуется. Модель дообучена на базе oddadmix/50M-2048-Emhotob, имеет архитектуру Llama с 51,8 млн параметров и контекстом до 2048 токенов. Вход модели — текст и описания категорий; на выходе — оценки категорий.