III.1Стратегия, продукт и бизнес-модели

TrialPanorama/Qwen-3-8B-TP — дообученная командой TrialPanorama языковая модель на базе Qwen/Qwen3-8B. Модель прошла двухэтапное обучение: supervised fine-tuning для внедрения знаний и RLVR с проверяемой наградой; для работы с клиническими исследованиями использовался датасет TrialPanorama. Модель предназначена для генерации текста и диалогового поиска по клиническим исследованиям. Её можно применять для поиска и обсуждения сведений об исследованиях в формате вопросов и ответов. Это плотная модель Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка; метаданные указывают возможность диалогового взаимодействия. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Она специализирована на клинических исследованиях, поэтому её ответы не следует считать медицинскими рекомендациями; точность и полноту сведений нужно проверять по первичным источникам.

Retail Bank Conversation Router — модель классификации диалогов, разработанная на основе DistilBERT и дообученная на банковских разговорах. Она использует один общий энкодер и семь совместно обученных голов для определения домена, маршрута, семейства запроса, намерения, связи с предыдущим контекстом, требуемого действия и сущности. Иерархические ограничения согласуют итоговые решения о маршруте, намерении, действии и сущности. Модель принимает текст предыдущих реплик пользователя и ассистента, состояние диалога перед ходом и текущую реплику пользователя. Она предназначена для маршрутизации банковских обращений и классификации пользовательских запросов с учётом истории разговора, включая обнаружение запросов вне целевой области. По карточке приведены высокие результаты на отложенной выборке, однако они относятся к указанному корпусу и оценке автора. Модель основана на distilbert/distilbert-base-uncased, работает с контекстом до 512 токенов и распространяется по лицензии Apache-2.0. Корпус содержит 21 686 обучающих, 4 283 валидационных и 4 863 тестовых примера. Поддерживаемый язык — английский; результаты на других языках не описаны.

regtoy/bge-reranker-v2-m3-finetuned-v2 — дообученная модель на основе BAAI/bge-reranker-v2-m3, созданная для поиска товаров в интернет-магазинах и оценки релевантности пары «запрос — товар». Модель использует архитектуру Cross-Encoder на базе XLM-RoBERTa и выдаёт оценку для ранжирования кандидатов; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Оптимизация ориентирована на турецкие и английские запросы и карточки товаров. При обучении применялось curriculum learning на 123 510 парах запросов и товаров, включая сложные отрицательные примеры с совпадающими брендами, категориями и лексически похожими названиями. В README приведены результаты на тестовом наборе из 10 000 пар: MRR 0,9649 и точность первого результата 0,9332. Для подачи карточки рекомендован формат с названием, брендом, категорией, полом и атрибутами, разделёнными символом |. Модель подходит для второго этапа поиска, когда нужно переупорядочить найденные товары. Лицензия в доступных данных не указана.

Это дообученная модель IndoBERT для классификации намерений в виртуальном помощнике по недвижимости. Она создана для академического исследования на примере жилого комплекса Perumahan Griya Alam Mandiri в округе Маланг, Восточная Ява, Индонезия, и не является официальным коммерческим продуктом застройщика. Модель принимает разговорный текст на индонезийском языке и относит запрос потенциального покупателя жилья к намерению, например вопросу о цене, местоположении, инфраструктуре или расчёте ипотеки KPR. Архитектура — BertForSequenceClassification, размер — 151,6 млн параметров, контекст — до 512 токенов. Для преобразования числового результата в метку намерения в репозитории также есть LabelEncoder. Модель предназначена для классификации запросов в сценариях чат-бота о недвижимости. Лицензия — MIT; README описывает академический контекст разработки, но не сообщает об оценке качества модели.

Llama-3.2-3B-Tele-it — инструктивная языковая модель на базе Meta Llama-3.2-3B, дообученная авторами репозитория для телекоммуникационной тематики. Модель создана методом supervised fine-tuning на парах инструкций и ответов из наборов Alpaca и Open-instruct. Модель предназначена для генерации ответов на инструкции и текстовых запросов в телекоммуникационных сценариях. Это плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров; в метаданных указан контекст 131 072 токена, тогда как README сообщает 8 192 токена. Репозиторий содержит веса в формате safetensors. Язык карточки и языковые теги указывают на английский. Модель распространяется по лицензии llama3.2. README описывает специализацию на телекоммуникациях, но не приводит оценок качества или результатов бенчмарков; фактическая поддержка длинного контекста расходится между README и метаданными.

Это текстовая модель Sentence Transformer, разработанная vab46 на основе nomic-ai/nomic-embed-text-v1.5 и дообученная на 7 193 парах текстов из набора Clinical_trials_anchor-positive-pairs_EmbeddingModel-data. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска клинических исследований по смыслу, сопоставления текстов и других задач семантического анализа. В архитектуре используется NomicBertModel с усредняющим пулингом; сходство векторов можно оценивать косинусной мерой. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64. Метаданные указывают контекст до 2 048 токенов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Модель специализируется на текстах клинических исследований: её можно применять для семантического поиска, ранжирования похожих описаний, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки на данных для поиска информации и сравнение с базовой моделью, однако они относятся к конкретному набору данных и не гарантируют качество на других корпусах. README сообщает длину последовательности до 8 192 токенов, тогда как метаданные каталога указывают нативный контекст 2 048 токенов; следует ориентироваться на контекст, поддерживаемый используемой конфигурацией модели.

nomic-embed-text-v1.5 Clinical-Trials Matryoshka — текстовая модель Sentence Transformers, дообученная на парах Clinical_trials_anchor-positive-pairs_EmbeddingModel-data_final на основе nomic-ai/nomic-embed-text-v1.5. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Модель на базе NomicBert предназначена для семантического поиска и сопоставления текстов, включая поиск по материалам клинических исследований, а также для кластеризации, классификации и поиска перефразировок. В карточке указана максимальная длина последовательности 8192 токена, тогда как метаданные каталога указывают нативный контекст 2048 токенов. Лицензия — Apache-2.0. Это специализированное дообучение для клинических исследований; качество на других тематиках карточка не описывает.

TokenAlign — исследовательский прототип классификации текстов по описаниям меток, созданный автором репозитория на основе замороженной языковой модели Qwen3-1.7B. Модель предназначена для классификации банковских обращений на английском языке, в том числе по категориям, которые не участвовали в обучении классификационной головы. Репозиторий содержит обучаемую голову из 2 236 929 параметров в формате Safetensors, а для работы отдельно требуется базовая модель Qwen3-1.7B. Голова сопоставляет токены текста и описаний меток посредством позднего взаимодействия и выбирает одну из предложенных меток. Лимит входа — 128 токенов с учётом префикса. Лицензия — Apache-2.0. Модель обучена на Banking77 и проверена для классификации банковских намерений на английском языке. Авторы описывают её как независимый исследовательский прототип; качество для других областей, языков и сценариев не подтверждено.

Модель raphamendes00/carros-br-raphael-v2 — дообученный Sentence Transformer на базе raphamendes00/carros-br-raphael-v10, разработанный автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 1 200 парах примеров с OnlineContrastiveLoss; архитектура включает BERT, усреднение токенных представлений и нормализацию векторов. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует учитывать ограничение Sentence Transformers в карточке.

Модель distilbert-base-uncased-rotten-tomatoes разработана TextAttack на основе DistilBERT и дообучена для классификации текстов на наборе rotten_tomatoes. Она определяет тональность рецензии на фильм: положительную или отрицательную. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов; при обучении максимальная длина последовательности составляла 128 токенов. При оценке на отложенной выборке модель достигла точности 0,84. Это специализированный классификатор англоязычных отзывов о фильмах, поэтому его результаты могут быть ненадёжны на других темах, языках или типах текстов. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

saattrupdan/job-listing-relevance-model — дообученная модель XLM-RoBERTa Base для классификации текстов. Репозиторий содержит 305,2 млн параметров; модель принимает текст и выдаёт метки классификации. По названию предназначена для оценки релевантности объявлений о работе, однако README не описывает её метки и точный сценарий применения. Модель основана на FacebookAI/xlm-roberta-base, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Опубликована под лицензией MIT.

PrestoAI Qwen3-Embedding-0.6B Arabic E-commerce Search — это плотная модель для поиска товаров по запросам на арабском языке, созданная дообучением Qwen/Qwen3-Embedding-0.6B. Модель кодирует поисковый запрос и карточки товаров в векторы, чтобы подходящие товары находились ближе к запросу в векторном пространстве. Обучение выполнено контрастивным методом с LoRA на данных арабской электронной коммерции; адаптер объединён с базовой моделью, поэтому отдельная загрузка PEFT не требуется. Модель рассчитана на асимметричный поиск: к запросам применяется заданная инструкционная подсказка, а описания товаров кодируются без неё. Архитектура Qwen3, размер около 507,6 млн параметров, контекст до 32 768 токенов; основное применение — семантический поиск и извлечение товаров по смыслу запроса. Карточка сообщает об улучшении метрик относительно базовой модели на одинаковом тестовом подмножестве. Это ранний чекпойнт на шаге 500 из запланированных 1500. Результаты измерены на подмножестве бенчмарка с меньшим числом отвлекающих товаров, поэтому абсолютные показатели могут быть оптимистичными; применение к другим языкам и областям не проверено. Лицензия — Apache-2.0.

AdsGPT2 — дообученная на GPT-2 модель, созданная для генерации рекламных материалов по названию продукта или бренда. Она обучена на наборе из более чем 10 000 программных рекламных креативов из разных рекламных платформ и стилей. По запросу модель может предложить рекламный текст и формат объявления; её используют для поиска идей и подготовки черновиков на раннем этапе разработки рекламы. Модель принимает текст и генерирует текст. Архитектура — GPT-2, библиотека хранения весов — PyTorch; длина контекста составляет 1024 токена. Репозиторий распространяется по лицензии MIT. В карточке не указаны поддерживаемые языки, поэтому язык примеров и обучающих данных нельзя надёжно определить. Генерации могут быть неожиданными или не соответствовать особенностям конкретного бренда и его правилам. Результаты следует проверять и редактировать перед публикацией; модель предназначена для вдохновения и черновиков, а не для замены редактора или рекламного специалиста. Возможны оскорбительные или неподходящие формулировки и отражение предвзятостей обучающих данных.

Muinez/artwork-scorer — модель классификации изображений на базе ConvNeXt V2 Base, дообученная автором на 120 000 изображениях из рейтингов Pixiv. Она оценивает иллюстрации по нормализованному соотношению отметок «нравится» к просмотрам, помогая ранжировать работы по популярности. Модель принимает изображение и выдаёт оценку. Модель предназначена для анализа и сортировки иллюстраций в сценариях, связанных с популярностью работ на Pixiv. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Результат отражает данные и критерий популярности обучающей выборки, поэтому не обязательно характеризует художественное качество или предпочтения других аудиторий.

llama-3.1-8b-financial-reasoner-v1 — дообученная версия Meta Llama 3.1 8B Instruct, разработанная пользователем или организацией gaparecido. Модель предназначена для двухэтапного анализа финансовых новостей и акций: сначала классифицирует реакцию рынка на новость с учётом движения цены как good, bad, neutral, overreaction_down или overreaction_up, затем использует эту оценку, разрыв в оценке стоимости и фундаментальные показатели для формирования рекомендации BUY, SELL или HOLD с обоснованием в формате JSON. Модель относится к текстовым генеративным моделям и поддерживает английский язык. Она построена на архитектуре Llama 3.1 с 8 млрд параметров; в README указана максимальная длина последовательности 2048 токенов. Доступен полный checkpoint в формате bfloat16 размером около 16 ГБ, а для запуска на GPU с ограниченной памятью предусмотрена загрузка в 4-битном режиме через Unsloth. Обучение выполнено методом QLoRA с использованием Unsloth и Hugging Face TRL. Сильная сторона модели — специализация на структурированном финансовом рассуждении и выдаче рекомендаций в заданном JSON-формате. Ограничения включают узкую предметную область, англоязычную направленность и зависимость качества выводов от полноты и достоверности финансовых данных; модель не следует рассматривать как надёжный источник инвестиционных решений. Лицензия указана как llama3.1.

Mistral-7B-Telco — дообученная Bitext языковая модель для диалоговой поддержки в телекоммуникационной сфере. Она предназначена для чат-ботов, виртуальных помощников и copilots, которые отвечают на вопросы клиентов и помогают с типовыми процедурами: управлением лимитами, активацией телефона, мобильными платежами, покрытием сети и счетами. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для дообучения применялись синтетические данные и автоматическая разметка Bitext; набор охватывает 26 телекоммуникационных намерений. Модель принимает текст и генерирует текстовые ответы. В карточке базовая модель указана как mistralai/Mistral-7B-Instruct-v0.2. Лицензия — Apache-2.0. Модель может хуже отвечать на вопросы вне телекоммуникационной тематики; возможны смещения, связанные с обучающими данными. Её не следует использовать для медицинских, юридических или критически важных рекомендаций по безопасности.

Retail Bank domain-intent router — дообученная модель DistilBERT для маршрутизации запросов клиентов розничного банка. Общий энкодер оснащён бинарной головой, определяющей, относится ли запрос к банковской тематике или к внешнему домену (OOD), и головой классификации по 77 банковским намерениям. Для строк CLINC функция потерь по классификации намерений отключается. Модель предназначена для определения банковского намерения и отсева запросов вне поддерживаемой области перед передачей их подходящему сценарию обслуживания. В README приведены результаты на отложенной выборке: macro F1 для намерений 0,948, доля ошибочных отказов для внутридоменных запросов 0,51%, а доля ошибочного принятия OOD-запросов 2,01%; для разговорных запросов доля ошибочных отказов составляет 5%. Это текстовый классификатор на базе DistilBERT с контекстом до 512 токенов, распространяемый в формате safetensors по лицензии Apache-2.0. Карточка описывает английскую базовую модель и банковские намерения, поэтому назначение модели — англоязычная маршрутизация в банковском домене. Она не заменяет отдельные проверки ввода учётных данных и небезопасных ответов; при недоступном или повреждённом артефакте система обслуживания должна возвращать стандартный OOD-ответ.

Модель разработана Наталией Марин под руководством Маркоса Мигеля Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa-модель для классификации тональности комментариев из социальных сетей о Хуане Скьяретти после первого президентского дебата в Аргентине 2023 года. Она принимает текст на испанском языке и предсказывает один из трёх классов тональности. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment, содержит 305,2 млн параметров и рассчитана на последовательности до 514 токенов. В отчёте указаны accuracy 0,838 и F1 0,825; на тестовой выборке для класса 1 точность и полнота равны нулю, поэтому результаты для этого класса ненадёжны. Лицензия в предоставленных данных не указана.

TacoBeLLM — дообученная автором разговорная модель на основе Llama 2 13B OpenOrca-Platypus. Она совмещает общие способности инструктивного ассистента со специализированными знаниями о Taco Bell, собранными с корпоративного сайта, из Википедии и новостных статей; дополнительно автор дообучил её на данных AIRIC, чтобы смягчить навязчивые рекомендации. Модель предназначена для диалога и ответов на вопросы о меню, событиях, истории и финансовых сведениях, связанных с Taco Bell, и может выполнять некоторые общие задачи, например помогать с Python-скриптами. В README указана квантизация EXL2 4.0 BPW; в метаданных репозитория отмечены веса safetensors. Архитектура — плотная Llama для генерации текста, размер — 12,9 млрд параметров, контекст — 4096 токенов. Основной язык модели — английский. Лицензия — MIT. Автор отмечает, что модель может неожиданно уводить разговор к Taco Bell, выдумывать события и фиктивную общую историю с пользователем, а также продолжать генерацию в формате Alpaca с ложными парами вопросов и ответов. Остановка по строке «### Instruct:» помогает ограничить последнее поведение. Автор не ожидает высоких результатов на бенчмарках; модель не использует RAG.

TREC_Clinical_Trials_finetune_V1 — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для работы с текстами клинических исследований. MPNet преобразует предложения и абзацы в плотные векторы размерностью 768; в архитектуре используются усреднение токенов и нормализация, а близость текстов можно оценивать косинусным сходством. Модель обучалась на 11 583 примерах с TripletLoss и подходит для семантического поиска, сравнения текстов и кластеризации в корпусах клинических исследований. Максимальная длина последовательности в README — 384 токена; метаданные указывают нативный контекст 514 токенов. Для более длинных входов потребуется усечение или разбиение текста. Модель принимает текст и выдаёт векторы; сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

Это англоязычная текстовая модель Sentence Transformer, дообученная vab46 на базе nomic-ai/nomic-embed-text-v1.5 на парах «запрос — положительный фрагмент» из набора Clinical_trials_anchor-positive-pairs_EmbeddingModel-data2. Модель кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и извлечения информации из текстов клинических исследований. Архитектура включает NomicBertModel с усреднением токенных представлений; сходство оценивается косинусной метрикой. Обучающий набор содержит 7 869 примеров. Поддерживаются вложения разной размерности от 64 до 768 для сценариев Matryoshka. Метаданные указывают контекст 2 048 токенов; в README заявлен максимум 8 192 токена, поэтому фактическую поддерживаемую длину следует сверять с используемой конфигурацией. Модель рассчитана на английские тексты клинических исследований и может использоваться для поиска подходящих фрагментов по медицинскому вопросу, сопоставления описаний и кластеризации. README приводит оценку поиска и сравнение с базовой моделью на обучающих данных, но не описывает независимую проверку на других наборах. Лицензия — Apache-2.0.

RavenX-Trade 8B — модель RavenX LLC и разработчика @DeadByDawn101 для анализа торговых рынков. Это дообученная версия Qwen3-8B с 7,6 млрд параметров, рассчитанная на запуск через MLX на Apple Silicon. Модель использует протокол MAP: рассматривает рынок и актив, анализирует технические показатели, объём, импульс и ончейн-сигналы, затем формирует прогноз с оценкой уверенности и целевой ценой. Модель обучена на 318 675 примерах по Polymarket, криптовалютам, акциям, опционам, количественной торговле и стратегиям хедж-фондов. Она принимает текстовые запросы и генерирует текстовый анализ; поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Лицензия — Apache-2.0. Аналитические прогнозы не гарантируют точность и могут не учитывать актуальные рыночные данные; торговые решения требуют независимой проверки.

jiechau/adult-content-identify-image — модель классификации изображений на базе Vision Transformer (ViT) для определения, относится ли товар на фотографии из интернет-магазина к категории товаров для взрослых. Она принимает изображение и относит его к одному из трёх классов: неизвестно, контент для взрослых или обычный товар. Модель содержит 113,2 млн параметров; доступны веса в форматах Safetensors и ONNX. Модель предназначена для фильтрации и разметки изображений товаров в каталогах интернет-магазинов. Её можно использовать для первичной проверки карточек товаров и разделения изображений на категории для последующей модерации. В README приведён пример применения через Transformers pipeline. Карточка не описывает точность, обучающие данные или поведение на пограничных случаях; класс «неизвестно» позволяет учитывать неопределённый результат. Сведения о лицензии в предоставленных данных отсутствуют.

Car Damage Detection от Naiscorp — модель сегментации экземпляров, дообученная на базе facebook/detectron2-mask-rcnn-R-101-DC5. По фотографии автомобиля она выделяет повреждённые участки и для каждого возвращает пиксельную маску, ограничивающую рамку, класс повреждения и оценку уверенности. Модель предназначена для осмотра автомобилей в страховании, прокате и при перепродаже; заявлено распознавание семи типов физических повреждений. В карточке приведены названия классов на вьетнамском и английском, включая вмятины, царапины краски и разрывы. Репозиторий содержит форматы ONNX и Safetensors и использует библиотеку cardamage. Лицензия обозначена как other, поэтому условия использования следует сверить с её текстом на странице модели.

Eva Customer Support Manager — это дообученная модель Qwen/Qwen3.5-4B, созданная для первичной классификации обращений в службу поддержки приложения для женского здоровья в Казахстане. Модель принимает сообщение пользователя и возвращает JSON с категорией обращения, приоритетом, тональностью и рекомендуемым действием; этот результат используется для маршрутизации или выбора ответа из одобренной библиотеки шаблонов. Модель не предназначена для свободных ответов пользователям. Модель имеет плотную архитектуру Qwen3.5, около 3,4 млрд параметров и контекст до 262 144 токенов. Она обучена методом QLoRA на синтетических данных, после чего адаптер объединён с базовой моделью в формате float16. Заявленные языки сценария — русский и казахский; казахский представлен слабее. В тесте на синтетической выборке из 215 примеров точность категорий составила 82,79%, действий — 69,77%, приоритетов — 59,53%; базовая модель часто не соблюдала JSON-формат, поэтому сравнение не измеряет только качество понимания. Результаты на реальных обращениях ещё не оценены. Это образовательный прототип, а не готовая к промышленному применению система и не медицинское устройство. Его нельзя использовать для диагностики или самостоятельных медицинских ответов; README требует применять детерминированный слой безопасности и библиотеку утверждённых шаблонов. Данные обучения синтетические, покрытие некоторых категорий в реальных данных недостаточно, а безопасная деидентификация входящих сообщений не гарантирована. Сведения о лицензии в предоставленных материалах отсутствуют.

Модель sentimientos-bullrich разработана Наталией Марин и Маркосом Мигелем Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa для классификации тональности комментариев из социальных сетей, опубликованных после первого президентского дебата в Аргентине в 2023 году и посвящённых кандидату Патрисии Булрич. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment и содержит 305,2 млн параметров; использует библиотеку Transformers, веса представлены в формате safetensors, контекст — до 514 токенов. Модель подходит для анализа общественной реакции на Булрич в комментариях и изучения политической дискуссии в контексте аргентинских выборов. В карточке приведены общие метрики: точность 0,7580, F1 0,7386 и precision 0,7344. Специализация на конкретном кандидате, платформенном и событийном контексте ограничивает перенос результатов на другие темы и периоды. Лицензия в доступных данных не указана.

mdbr-leaf-mt-resume-grader — созданная turtlecap компактная модель эмбеддингов на базе BAAI/bge-small-en-v1.5, дообученная для оценки семантического соответствия резюме и описания вакансии. Модель использует архитектуру BERT и библиотеку Sentence Transformers; метаданные указывают 40 млн параметров и окно контекста 512 токенов. README описывает рабочий вариант с 384-мерными нормализованными векторами и окном 256 токенов; сходство оценивается косинусной мерой. Репозиторий содержит веса safetensors и экспорты ONNX, включая квантованный вариант для локального браузерного запуска. Модель предназначена для ранжирования вакансий по резюме в функции Semantic AI расширения NUWorks Co-op Grader. В README приведены результаты на отложенных наборах, в том числе проверка на резюме, не использованных при обучении; при этом данные о вакансиях в проверке обобщения резюме взяты из уже имеющегося пула NUWorks. Модель рассчитана на английский язык. Лицензия в предоставленных сведениях не описана.

Модель Isotonic/flan-t5-base-trading_candles — дообученная версия google/flan-t5-base, разработанная на наборе 0xMaka/trading-candles-subset-qa-format. Это модель семейства T5 с архитектурой encoder-decoder, содержащая 123,8 млн параметров; она генерирует текст по текстовому запросу, а длина контекста составляет 512 токенов. Модель предназначена для ответов на вопросы и генерации текста по данным о торговых свечах. В карточке приведены метрики оценки на тестовом наборе: loss 0,0061, ROUGE-1 88,37, ROUGE-2 86,86 и ROUGE-L 88,37. Эти результаты относятся к указанному набору оценки и не гарантируют качество на других данных. Языковая поддержка и условия лицензии в доступных сведениях не описаны.

Это LoRA-адаптер для базовой модели Qwen/Qwen3.8-27B, разработанный 1jamesthompson1 в рамках проекта AIML589. Адаптер предназначен для генерации текста и дообучен на конфигурации full_string_distribution датасета wvs-nz-value-alignment, в подвыборке overall. Его специализация связана с моделированием или воспроизведением распределения ценностных установок, представленных в данных исследования World Values Survey для Новой Зеландии. Модель использует параметроэффективное дообучение LoRA с rank 64, alpha 128 и dropout 0,05; DoRA не применялась. Обучение проводилось в течение трёх эпох с максимальной длиной последовательности 1024 токена, batch size 2, накоплением градиента 4 и типом данных bf16. README не содержит подтверждённых сведений о языках, модальностях, полном контекстном окне базовой модели или результатах независимого тестирования. Сильной стороной является узкая адаптация Qwen/Qwen3.8-27B к конкретному датасету и задаче ценностного выравнивания при меньших требованиях к хранению и дообучению по сравнению с полной перенастройкой модели. Ограничения включают зависимость от базовой модели, узкую область обучающих данных и отсутствие заявленных оценок качества, поэтому пригодность для общих диалоговых, аналитических или иных задач не подтверждена. Адаптер распространяется по лицензии CC BY-SA 4.0.

CRE-0.5 — модель эмбеддингов CareerInternational для подбора персонала, созданная на базе BAAI/bge-large-zh-v1.5 и дообученная для сопоставления резюме и описаний вакансий. Она кодирует текст в плотные векторы и ориентирована на семантический поиск и оценку сходства между вакансиями и резюме, включая сопоставление навыков и должностных уровней. В модели используется BERT-архитектура; README описывает CNN-компонент для выделения локальных признаков и дополнительный обучаемый проекционный слой. Размер — 424,3 млн параметров, максимальный контекст — 512 токенов. Для представления предложения используется CLS-токен. Карточка также указывает применение в retrieval, RAG и агентных сценариях. Модель рассчитана на китайскоязычные тексты. В README приведены результаты профильного бенчмарка и сравнение с базовой моделью, однако отдельный пример показывает, что CRE-0.5 уступает BGE по указанным оценкам сходства; результаты не гарантируют качество на других данных. Лицензия в предоставленных данных не указана.