III.10Проекты, процессы и операционное управление

Waiter-0.8B — модель Ömer Faruk ŞAHAN и Adisyonist AI, дообученная методом QLoRA на базе Qwen/Qwen3.5-0.8B для многоязычного диалога и маршрутизации запросов к функциям ресторанной POS-системы Adisyonist. Она принимает сообщения пользователя и формирует один JSON-объект с последовательностью вызываемых backend-функций в поле agents и текстом для пользователя в поле answer; для неприменимых запросов список agents может быть пустым. Модель предназначена для обработки заказов, столов, бронирований, запасов, персонала, меню и продаж. Обучение использовало 532 856 примеров на 43 языках; указаны QLoRA, 4-битная NF4-квантизация с двойной квантизацией и вычисления в BF16. На отложенной выборке автор сообщает точность выбора агента 99,40%, валидность JSON 99,41% и точное совпадение ответа 92,57%; эти метрики относятся к описанной тестовой выборке. Опубликована под лицензией Apache 2.0. Модель узкоспециализирована на сценариях Adisyonist POS и не рекомендуется как универсальный ассистент. Известны ошибки на границе между неподдерживаемыми запросами и пустым списком агентов, смешение категорий с отдельными товарами и близких аналитических функций, неоднозначность шаблонов сводки продаж, ошибки в цепочках для запросов с несколькими намерениями и редкие языковые сдвиги. Ответы ожидаются в JSON, поэтому она не подходит для сценариев, требующих обычного свободного текста без обработки формата.

Baichuan-M3-235B-GPTQ-INT4 — медицинская крупная языковая модель нового поколения, разработанная Baichuan AI. Модель предназначена для поддержки клинических сценариев: ведения медицинского опроса, выявления критически важной информации, проведения дифференциальной диагностики, выбора необходимых лабораторных исследований и формулирования итогового диагноза. Она обучалась с акцентом на моделирование клинического процесса принятия решений, снижение галлюцинаций и построение последовательных, проверяемых рассуждений. Заявлены поддержка китайского и английского языков и совместимость с библиотекой Transformers; базовой моделью указана Qwen/Qwen3-235B-A22B. Модель имеет 235 млрд параметров и поставляется в формате GPTQ с 4-битным квантованием INT4, благодаря чему её требования к памяти снижены примерно до 26% от исходных. Для ускорения вывода заявлена технология спекулятивного декодирования Gated Eagle3 с ускорением до 96%. В обучении использовались SPAR — метод поэтапного обучения с подкреплением для клинического рабочего процесса — и Fact-Aware Reinforcement Learning, учитывающий проверку медицинских утверждений по авторитетным источникам. По данным README, Baichuan-M3 превосходит GPT-5.2 на ряде медицинских тестов, однако приведённые результаты являются заявлением разработчика. Сильные стороны модели — специализация на медицинских диалогах, структурированный клинический анализ, ориентация на уточняющие вопросы и заявленный низкий уровень галлюцинаций даже без внешних инструментов. Ограничения включают отсутствие в README сведений о размере контекстного окна, точной архитектуре, системных требованиях, дополнительных модальностях и полном наборе поддерживаемых языков. Модель не должна рассматриваться как замена квалифицированному медицинскому специалисту. Лицензия — Apache 2.0.

Это классификатор соответствия резюме вакансии на базе DistilBERT, разработанный для учебного проекта Northeastern IE 7500 по прикладной обработке естественного языка. Модель принимает резюме первым текстом, описание вакансии — вторым, и относит пару к одному из трёх классов: «не подходит», «возможно подходит» или «хорошо подходит». Она дообучена на наборе данных cnamuangtoun/resume-job-description-fit и предназначена для оценки соответствия пары текстов, например в демонстрационном Resume Job Fit Matcher. Архитектура — DistilBertForSequenceClassification; максимальный контекст составляет 512 токенов. Модель рассчитана на английский язык и распространяется под лицензией Apache-2.0. На отложенной тестовой выборке того же набора данных указаны accuracy 0,5020 и macro F1 0,4315; TF-IDF-базовый метод сравнялся с ней или превзошёл её по macro F1.

GrabbeAI — специализированная модель и AI-система для Christian-Dietrich-Grabbe-Gymnasium в Детмольде, Германия. Проект разработан для школьного сообщества и официально запущен в январе 2025 года. Согласно README, модель дообучена на основе OpenAI GPT-4o mini и предназначена для интеграции с веб-приложением школы и её официальным сайтом. Модель ориентирована на ответы на вопросы, связанные со школьной жизнью: расписанием, заданиями, часто задаваемыми вопросами, мероприятиями, правилами, контактами преподавателей и учебными материалами. Целевыми пользователями являются учащиеся, учителя и родители. Для формирования ответов используется специализированный набор данных с FAQ, каталогами сотрудников, документами и другими ресурсами школы. Указан немецкий язык; сведения о поддержке других языков, размере модели, точной архитектуре и максимальном контексте отсутствуют. Сильной стороной GrabbeAI является адаптация к конкретной предметной области и данным одной школы, что может повышать полезность ответов в локальных сценариях. Ограничения связаны с узкой специализацией и зависимостью от актуальности школьных данных; README также не приводит независимых оценок качества, точных параметров модели или подробностей реализации дообучения. Для модели указана лицензия gemma.

yeeun2/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT с использованием Unsloth и библиотеки TRL. В карточке указано около 507,9 млн параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста в формате JSON; базовая модель настроена на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Подходит для структурирования таких протоколов и создания JSON-выводов на основе текстовых запросов. Метаданные отмечают разговорный режим и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык, а назначение базовой модели связано с корейскими протоколами. Распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты извлечения следует проверять на соответствие исходному протоколу и требуемой JSON-схеме.

slim-summary-phi-3 — специализированная модель llmware для суммаризации текста. Она принимает текст и формирует список кратких тезисов, извлечённых из сложных деловых документов. Модель построена на архитектуре Phi-3 и содержит около 3,7 млрд параметров; карточка указывает английский язык, а метаданные — контекст 4096 токенов и поддержку диалогового режима. Репозиторий содержит базовую версию в формате PyTorch, предназначенную в том числе для дальнейшего дообучения. Лицензия — Apache 2.0.

AgentMercury-Qwen3.5-35B-A3B-SAO — это контрольная точка Qwen3.5-35B-A3B, дообученная Minbyul с помощью агентного обучения с подкреплением для работы с инструментами через MCP. Модель использует архитектуру Qwen3.5-MoE; в репозитории представлены веса safetensors для Transformers. По данным метаданных, базовая модель содержит 35 млрд параметров, из которых 3 млрд активны. Модель принимает текстовые запросы и выдаёт текстовые ответы с вызовами инструментов. Она предназначена для автономного выполнения многошаговых задач в синтетических корпоративных средах: искать сведения в почте, чатах, календарях, хранилищах, CRM и других сервисах, а затем создавать, изменять или удалять записи. Обучение основано на одном rollout на запрос и обучаемом критике; автор сообщает об улучшении доли выполненных действий на обучающих средах, но не приводит оценки на отложенном бенчмарке. Модель рассчитана прежде всего на англоязычную работу с инструментами; общие языковые и мультимодальные свойства унаследованы от базовой модели, но этот экспорт обозначен как текстовый. Это промежуточная контрольная точка на шаге 159 из запланированных 200, поэтому обучение не было завершено. Ответы могут быть длинными, а качество вне англоязычных корпоративных сценариев с инструментами зависит от базовой модели. Лицензия — Apache-2.0.

Metask-Jev-4B — мультиязычная модель Wayfind для классификации и типизированных решений. Она принимает описание состояния, например текст, обращение, политику или JSON, и вопрос с вариантами выбора, ответом «да/нет» или шкалой оценки. Модель за один проход выдаёт вероятности для вариантов, не генерируя текст; в README указаны 4,54 млрд параметров, архитектура Qwen3.5-4B с объединённым LoRA и нативный контекст 262 144 токена. README сообщает о поддержке 16 языков, включая русский. Модель предназначена для маршрутизации запросов, сортировки обращений, модерации, проверки утверждений по свидетельствам и оценивания по рубрикам, когда нужны вероятностные метки вместо объяснений. В README приведены результаты на нескольких наборах и замеры производительности, но часть сравнений и рейтинга обозначена как собственная оценка автора; заявленная точность заметно ниже на сложных случаях, а оценка релевантности SummEval имеет систематическое смещение между соседними баллами. Температурная калибровка улучшает калибровку вероятностей. Лицензия — Apache-2.0.

Mermaid-Llama-6.7B-RAG-Code-Instruct-GGUF — квантованная версия модели Mermaid-Llama-6.7B-RAG-Code-Instruct, разработанная TroyDoesAI и подготовленная в формате GGUF пользователем afrideva. Модель предназначена для генерации текста, анализа кода и преобразования информации в визуальные представления на синтаксисе Mermaid JS. Она ориентирована на создание блок-схем по Python-коду, визуализацию сюжетов и взаимодействий персонажей, построение карт процессов и проектов, а также формирование структурированных графов знаний для сценариев Retrieval-Augmented Generation (RAG). Дополнительно модель умеет генерировать исполняемые фрагменты кода по инструкциям пользователя. Модель содержит 6,7 млрд параметров; точная базовая архитектура, поддерживаемые языки и перечень модальностей в README не указаны. Контекст ограничен 4096 токенами, что затрудняет обработку больших системных диаграмм без предварительной агрегации. Для повышения следования контексту и снижения галлюцинаций используется специальный формат запросов с блоками контекста и инструкций, совместимый с подходом airoboros context-obedient. Сильными сторонами заявлены понимание Python, генерация Mermaid-диаграмм, работа со структурированными знаниями и генерация кода, однако заявленные превосходство над GPT-4 и точность результатов не подтверждены независимыми оценками. Лицензия модели — CC BY 4.0. README не содержит подробностей о конкретных вариантах квантования, требованиях к аппаратному обеспечению или рекомендуемом программном обеспечении для запуска GGUF-файлов.

Модель разработана Labagaite и представляет собой дообученную инструктивную Mistral 7B для суммаризации французских транскрипций аудиоподкастов. Она предназначена для создания кратких изложений транскриптов и может применяться в инструментах подготовки отчётов по встречам. Обучение проводилось на наборе fr-summarizer-dataset объёмом 1,97 тыс. обучающих и 440 проверочных примеров в формате диалога ChatML. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это текстовая модель: она принимает текст транскрипта и генерирует текстовое резюме. Опубликованные веса представлены в safetensors; модель дообучена от unsloth/mistral-7b-instruct-v0.2-bnb-4bit и загружена как 16-битная версия. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Immich на архитектуре BigBird-Pegasus, дообученный для суммаризации диалогов и совещаний. Модель обучена на подходящей части AMI Meeting Corpus с seed 73; указанный размер — 366,8 млн параметров, контекст — 4096 токенов. Модель предназначена для создания кратких итогов совещаний по полной записи диалога либо в иерархическом конвейере сегментации, извлечения информации и генерации. Для загрузки используются Transformers и формат safetensors. Карточка указывает лицензию MIT. Язык корпуса в предоставленных данных не обозначен.

Tiny-Jev-1.7B — разработанная lostargon компактная модель для принятия структурированных решений по текстовому состоянию и вопросу с заданным набором вариантов. Это дообученная на базе Qwen3-1.7B модель с архитектурой decoder stack и отдельной линейной головой решений; языковая голова генерации текста не используется. Модель возвращает распределение вероятностей по вариантам, оценку уверенности и поддерживает выбор категории (Choice), оценивание по упорядоченной шкале (Score) и проверку истинности утверждения (Noul). Размер — 1,7 млрд параметров; метаданные указывают контекст до 40 960 токенов, тогда как README сообщает практический предел 4 096 токенов на вопрос. Модель предназначена для маршрутизации обращений, триажа, фильтрации, модерации, тегирования, проверки политик и безопасности действий агента, а также анализа логов и других структурированных данных. Она подходит для конвейеров и обработчиков запросов, где нужно быстро выбрать один из заранее заданных вариантов, а не сформулировать ответ. Обучение проводилось на синтетических данных для поддержки, операций, бизнес-текста, диалогов и задач чтения структурированных состояний; README также приводит результаты нескольких тестов с выбором ответа. Ограничения: модель не генерирует, не суммирует и не объясняет текст; вопросы с отрицаниями следует формулировать точно, арифметику и незнакомые правила лучше проверять отдельно. По README, длинное состояние может обрезаться, а пользовательский текст внутри состояния способен влиять на решение. Лицензия — Apache-2.0.

Mistral-Interact — языковая модель на основе Mistral-7B-v0.1, разработанная авторами проекта Mistral-Interact и полностью дообученная на наборе Intention-in-Interaction (IN3). Она предназначена для диалогов, в которых нужно оценить, насколько пользовательская инструкция расплывчата, выявить недостающие детали, задать уточняющие вопросы с предложениями и затем явно суммировать намерение пользователя. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлены улучшенное распознавание неоднозначности инструкций, выявление важных пропусков и дружелюбное уточнение требований; авторы также сообщают о сопоставимых с GPT-4 результатах по ряду оценок взаимодействия. Модель принимает и генерирует текст, обучена для английского языка. Доступна по лицензии Apache-2.0. Заявления о сравнительной производительности основаны на описании авторов; README отсылает к статье и репозиторию за подробностями.

Tiron — модель распознавания речи с разделением реплик по говорящим, разработанная Trelis. Она построена на архитектуре Whisper large-v3 с расширенным словарём токенов и за один проход создаёт расшифровку с маркерами говорящих и временными метками. Число параметров — 905,3 млн; модель совместима с WhisperForConditionalGeneration и распространяется в формате safetensors. Модель предназначена для транскрибации многоголосых встреч и совещаний. Она обрабатывает аудио окнами по 30 секунд, поддерживает до восьми говорящих в окне, а для полной записи README рекомендует открытый harness, который выполняет разбиение на фрагменты и связывает говорящих между окнами. Заявлены английский и китайский языки, а также многоязычная поддержка. В бенчмарках авторов модель показала скорость около 43× реального времени на одном GPU при потреблении 3–12 ГБ видеопамяти. Метки говорящих анонимны и не сопоставляются с именами или образцами голоса. Встреча ограничена восемью глобальными говорящими при использовании harness; временные метки приблизительны, особенно при сильном перекрытии речи. Лицензия — Apache-2.0.

Jhjhugv/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Jhjhugv и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель предназначена для генерации текста в формате JSON; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Карточка указывает обучение с использованием Unsloth и библиотеки TRL; доступны веса в формате safetensors и интерфейс для диалогов и вызова инструментов. Практические сценарии — преобразование протоколов совещаний в структурированные JSON-данные и извлечение из них задач, решений и препятствий. Поддержка корейского языка следует из назначения базовой модели; метаданные карточки также помечают английский. Модель распространяется по лицензии Apache-2.0. Отдельные сведения о качестве и известных ограничениях дообученной версии в карточке не приведены.

Модель ohkwon/Qwen3-0.6B-JSON-SFT-GRPO — дообученная компактная языковая модель семейства Qwen3 с архитектурой Dense и 507,9 млн параметров. Она основана на NotoriousH2/Qwen3-0.6B-JSON-SFT и предназначена для генерации текста, в частности для извлечения сведений из корейских протоколов совещаний и их представления в формате JSON. Модель поддерживает контекст до 40 960 токенов и имеет разговорный интерфейс. Модель опубликована под лицензией Apache-2.0. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL; деталей о качестве, оценке и устойчивости генерации JSON не приведено.

QwQ-LCoT2-7B-Instruct — дообученная компанией prithivMLmods языковая модель на базе Qwen2.5-7B-Instruct. Она предназначена для диалогов, выполнения инструкций и пошагового решения задач, особенно математических и логических, а также для генерации развернутых объяснений. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Обучение включало наборы данных с примерами рассуждений и решения математических задач. Модель подходит для помощи в обучении, технической поддержке и генерации структурированных ответов. Она может ошибаться или выдавать вымышленные сведения; качество сложных решений зависит от задачи и формулировки запроса. README также отмечает возможные смещения обучающих данных и высокие вычислительные требования при длинной генерации и высокой нагрузке. Распространяется по лицензии Apache-2.0.

MEMORYDistillPL-1.5b — польская языковая модель, дообученная автором на базе Qwen/Qwen2.5-1.5B-Instruct методом QLoRA. Она преобразует польские стенограммы разговоров в краткие структурированные заметки для долговременного хранения: суммирует обсуждение и извлекает упомянутые сущности, включая людей, организации, решения и факты. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Она рассчитана на узкую задачу суммаризации и извлечения сведений, а не на свободный чат. В README описана оценка на 82 польских стенограммах длиной до 8 тысяч токенов; в этом сравнении ответы модели чаще предпочитались ответам базовой Qwen2.5-7B-Instruct. Модель иногда пропускает сущности и может придумывать расшифровки польских сокращений. Работа на других языках и длинных входах не проверялась; для важных решений результаты нужно сверять с исходником. Лицензия — Apache 2.0. В репозитории есть веса для Transformers, LoRA-адаптер и варианты GGUF; низкая квантизация может заметнее снижать качество.

basal-1.0-4.5B — польскоязычная модель принятия решений, разработанная автором репозитория и дообученная на Bielik-4.5B-v3.0-Instruct. Это плотная авторегрессионная модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов; для вывода используется Transformers, веса опубликованы в формате Safetensors. Вместо свободного текста она оценивает варианты ответа, заданные в запросе, и возвращает вероятности для выбора, ответа «да/нет» или оценки. Модель предназначена для динамической классификации и принятия решений по переданному сообщению, документу, делу или структурированным данным. Её можно применять для маршрутизации обращений и документов, проверки правил, оценки срочности и риска, а также выбора действий и инструментов в конвейерах LLM. Карточка сообщает о лучших результатах на польских задачах принятия решений и о калибровке уверенности; английские задачи также оценивались. Лицензия — Apache-2.0. Точность и калибровку следует проверять на собственных данных: часть ошибок может быть связана с обучающими метками, а для польских правовых вопросов модель может не знать актуальных изменений законодательства. Она чувствительна к порядку вариантов даже при усреднении результатов для исходного и обратного порядка; решения с серьёзными последствиями требуют проверки человеком.

LongWriter-Zero-32B — языковая модель для генерации связных длинных текстов, разработанная командой THU-KEG на основе Qwen2.5-32B-Base. Модель обучали продолжительным предобучением на книгах и технических отчётах, а затем оптимизировали с помощью обучения с подкреплением GRPO и составной функции награды, учитывающей длину, связность, полезность и формат ответа. Модель предназначена для создания текстов объёмом более 10 000 токенов: например, развёрнутых статей, отчётов и других материалов, требующих последовательного изложения и контроля длины. Архитектура — плотная Qwen2 с 32 млрд параметров; нативный контекст составляет 32 768 токенов. Карточка указывает английский и китайский языки. Для работы используется Transformers, веса доступны в формате safetensors. В README заявлены высокие результаты на WritingBench и Arena-Write, однако конкретные значения результатов в доступном тексте отсутствуют. Для генерации применяется специальный шаблон чата и протокол управления ответом; токенизатор и шаблон отличаются от Qwen2.5-32B-Instruct. Модель распространяется по лицензии Apache-2.0.

Это контрольный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящей для обучения части AMI Meeting Corpus; seed 17 обозначает канонический запуск, использованный как опорный вариант для качественных примеров в статье. Размер модели — 366,8 млн параметров, максимальный контекст — 4096 токенов. Модель предназначена для создания краткого содержания полной записи встречи или сегментов диалога, в том числе в сценариях с иерархической сегментацией, извлечением информации и генерацией. Доступна в формате safetensors и используется через Transformers как модель последовательность-в-последовательность. Лицензия — MIT. Поддерживаемый в карточке язык не указан, поэтому язык обучения и итоговых сводок по этим данным установить нельзя.

JevK5-9B v0.3.3 — это открытая модель весом 7,2 млрд параметров, разработанная авторами JevK5 как независимая альтернатива Jev для принятия типизированных решений. Она дообучена на Qwen/Qwen3.5-9B: LoRA-адаптер ранга 16 для проекций внимания объединён с базовыми весами. Для работы с вероятностями вариантов используется протокол SemIf: модель оценивает все варианты за один проход без генерации токенов. Поддерживаются вопросы да/нет, выбор из вариантов и числовая оценка; для вопросов более чем с 16 вариантами применяются несколько проходов. Модель предназначена для классификации состояний и запросов по заданным критериям, маршрутизации обращений, оценки решений и других задач, где нужно получить вероятности по заранее заданным вариантам. В README сообщается о результатах проверок на отложенных наборах, включая тесты с вопросами из областей, не встречавшихся при обучении; качество и калибровка различаются между наборами, а сложная категория JevBench калибруется хуже, чем у версии на 4 млрд параметров. Для инференса авторы рекомендуют JevK5 runtime; для bf16 требуется CUDA GPU примерно с 19 ГБ памяти. Лицензия — Apache-2.0.

luckysong777/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная авторегрессионная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT. В README указано, что модель обучалась с помощью Unsloth и библиотеки TRL; число параметров — 507,9 млн, нативное окно контекста — 40 960 токенов. Модель предназначена для генерации текста в формате JSON и диалогового взаимодействия. Описание базовой модели указывает на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний; применимость этих сценариев к данной производной модели вероятна, но отдельные результаты её обучения в карточке не приведены. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. Английский указан среди языков карточки, а описание базовой модели связывает её с корейскими протоколами; точное качество и ограничения извлечения для этой версии в README не описаны.

DANTE v1 — дообученная модель решений на базе Qwen3.5-4B, разработанная Elliott Short. Она принимает предоставленные свидетельства, вопрос и набор вариантов, а затем за один проход оценивает вероятности вариантов через распределение следующего токена. Поддерживаются выбор одного из 2–26 вариантов, ответы «да/нет» и упорядоченные уровни оценки. Модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 для текста, формат safetensors и контекст до 262 144 токенов. Модель предназначена для классификации и коротких решений по заданным данным: например, маршрутизации заявок, проверки соблюдения ограничений агентом, оценки лидов и определения срочности. По README, на указанных наборах разработчиков DANTE v1 превзошла нетронутую базовую модель, однако эти наборы использовались при выборе контрольных точек, поэтому результаты относятся к данным того же распределения. Обучение выполнено методом LoRA с последующим объединением адаптера с базовыми весами; карточка указывает Apache-2.0. Модель рассчитана только на английский язык и не предназначена для открытой генерации текста или диалога.

Это дообученный чекпойнт BigBird-Pegasus от Immich для суммаризации диалогов и встреч. Модель обучена на подходящем для эксперимента подмножестве AMI Meeting Corpus с seed 17; она служит каноническим запуском для качественных примеров в статье и относится к варианту pipeline, где сравниваются суммаризация полной встречи и иерархический процесс сегментации, извлечения и генерации. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текстовые резюме. Архитектура — BigBirdPegasusForConditionalGeneration; длина контекста составляет 4096 токенов. Лицензия — MIT. Чекпойнт предназначен для экспериментов с суммаризацией встреч и диалогов, а не подтверждает качество на других корпусах или языках.

Это контрольный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящей подвыборке AMI Meeting Corpus; seed 17 обозначена как каноническая для качественных примеров в статье. В карточке упомянуты два сценария: суммаризация полной встречи и иерархический конвейер с сегментацией, извлечением информации и генерацией итогового текста. Модель имеет архитектуру LEDForConditionalGeneration и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; данные об основном языке и длине контекста не приведены. Репозиторий содержит веса safetensors. Лицензия — MIT. Это обученный вариант LED-base, предназначенный для экспериментов и суммаризации встреч; заявлений о качестве за пределами описанного набора данных карточка не содержит.

LAYA v2.0 Enhanced Edition — дообученная модель семейства ModernBERT, разработанная автором репозитория ameerhmz5 на базе convaiinnovations/laya. Она предназначена для быстрых решений за один проход: выбора действия из набора вариантов, бинарной проверки утверждений и правил, а также оценки приоритета или уровня риска. В README заявлены 90,61% точности на валидационной выборке из 4 740 примеров и обучение на корпусе из 47 400 вопросов; архитектура в метаданных — ModernBertForMaskedLM с 394,7 млн параметров и контекстом 8 192 токена. Модель подходит для маршрутизации запросов и инцидентов, классификации, триажа обращений, проверки соответствия политикам и выбора инструмента в агентных системах. В репозитории указаны веса Safetensors и варианты GGUF F16 и Q8_0; README также описывает запуск на Apple Silicon. Лицензия — Apache-2.0. Заявленные показатели и скорость относятся к описанным автором условиям и не гарантируют такого же результата на других данных и оборудовании. Данные карточки указывают на задачи text-classification и fill-mask; последняя отражает архитектурный тип, тогда как основное пользовательское назначение — классификация и принятие решений.

MermaidSolar — языковая модель TroyDoesAI на архитектуре Llama, обученная на базе Solar 10.7B Base Model с тем же набором данных, что и MermaidMistral, MermaidLLama и MermaidStable3B. В метаданных указано 10,6 млрд параметров, контекст 4096 токенов и формат safetensors; модель предназначена для генерации Mermaid-диаграмм по текстовому контексту. В описанном автором сценарии запросы оформляются так, чтобы ответ содержал заголовок «Response:» и блок Mermaid. Автор сообщает, что при обучении использовал 800 вручную составленных примеров с разнообразными пограничными случаями. Лицензия — CC BY-NC-SA 4.0; она требует указания авторства и распространения производных материалов на тех же условиях, а также запрещает коммерческое использование.

Monomer-24b-preview-e1 — экспериментальная модель рассуждений от разработчика zake7749, дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503. Она предназначена для диалогов и задач планирования, проектирования и написания текстов на китайском и английском языках; примеры показывают развёрнутые творческие ответы и пошаговую подачу рассуждений. Модель использует архитектуру Mistral3 с 24 млрд параметров и поддерживает обработку изображений вместе с текстом; для запуска в README приведён пример с контекстом до 16 384 токенов в vLLM. README рекомендует использовать стандартный системный промпт и предупреждает, что режим без рассуждений ещё дорабатывается и может давать неожиданные результаты. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Immich/pipeline-error-propagation-dialogue-summarization-led-baseline-seed17 — исследовательский чекпойнт суммаризации диалогов встреч на базе LED, обученный на допустимой подвыборке AMI Meeting Corpus с seed 17. В README он описан как эталонный запуск baseline для качественных примеров статьи; baseline предназначен для обработки полной записи встречи или иерархического конвейера сегментации, извлечения и генерации. Для загрузки указана совместимость с Transformers и AutoModelForSeq2SeqLM. Модель содержит 95,2 млн параметров, использует архитектуру LEDForConditionalGeneration и сохранена в формате safetensors. Заявленная задача — summarization; обучающие данные связаны с AMI Meeting Corpus. Лицензия — MIT. Карточка не сообщает о поддержке языков, длине контекста и известных ограничениях качества; результаты для других типов диалогов README не подтверждает.