III.1Стратегия, продукт и бизнес-модели

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-last-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-last-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-27B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen/Qwen3.5-27B для сценария транспортного киоска из бенчмарка MetroLLM-Bench. Модель принимает текстовые диалоги и предназначена для ответов на запросы пассажиров о городском транспорте; опубликована для воспроизведения результатов исследования. В README указаны адаптер LoRA ранга 16 с NF4-квантованием и объединённый файл GGUF Q4_K_M. На отложенной выборке из 238 примеров версия v24 показала результаты ниже исходной Qwen3.5-27B по метрикам Tier-1 и Composite. Авторы рекомендуют для развёртывания использовать базовую модель, а для более эффективного дообученного варианта — версии на 4B или 9B параметров. Репозиторий распространяется по лицензии Apache 2.0.

Qwen3.5-4B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen3.5-4B для задач MetroLLM-Bench, связанных с транзитными киосками. В репозитории есть LoRA-адаптер ранга 16 и объединённая версия GGUF Q4_K_M размером 2,6 ГБ; метаданные также указывают формат safetensors. Модель предназначена для диалоговых сценариев киоска общественного транспорта. В README сообщается, что версия v24 обучена без утечки данных: обучающие трассы учителя взяты из 717 случаев обучающей части, а 238 случаев оставлены для проверки. На отложенной выборке из 238 случаев средний результат по двум запускам составил 91,32 по Tier-1 и 89,12 по Composite; это результаты бенчмарка, а не гарантия качества в других сценариях. Модель основана на Qwen3.5-4B, имеет текстовый интерфейс генерации и диалога; метаданные отмечают поддержку чата и вызова инструментов, хотя README не описывает конкретные возможности вызова инструментов. Лицензия — Apache 2.0. Для загрузки LoRA-адаптера README указывает базовую текстовую Qwen3.5-4B и необходимость учитывать префикс ключей `.language_model.`; также доступен готовый GGUF-файл для llama-server.

ThakiCloud разработала Qwen3.8-27B-Human-KO-MerchantDesk-v0.1 для автоматизации первичной обработки обращений клиентов небольших ресторанов. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом LoRA на корейских диалогах, а затем объединённая с базовой моделью. Она принимает профиль заведения и сообщение клиента и возвращает структурированный JSON: определяет намерение и слоты, затем выбирает, ответить ли, запросить уточнение, вызвать инструмент или передать обращение владельцу. Цены, меню и часы работы модель должна получать из переданного профиля, а не хранить в параметрах. В описанном сценарии модель показала более высокую точность определения намерений и долю решённых обращений, чем базовая модель. Она рассчитана на корейский язык; карточка указывает поддержку чата и интерфейса вызова инструментов. Для работы предназначен совместимый с Qwen3.8 сервинг, например vLLM, с отключённым thinking. Лицензия — Apache-2.0. Модель следует использовать как компонент системы с программным компилятором действий и проверками, а не отправлять её свободно сформулированный ответ клиенту без контроля: в сложных тестовых случаях она иногда добавляла отсутствующие в профиле факты. Область применения ограничена ресторанами, а результаты в карточке измерены на синтетических профилях и тестовых диалогах; варианты с квантованием отдельно не проверялись.

lwaekfjlk разработал jina10-sdft-qwen2.5-7b — дообученную методом rolling self-distillation модель на базе Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для краткосрочного прогнозирования рынков предсказаний: по описанию рынка, примерно 23 часовым значениям цены и подборке новостных заголовков модель оценивает отклонение движения цены за следующий час от базового прогноза возврата к среднему. Результат — объяснение и один из девяти квантильных интервалов отклонения; сама цена напрямую не предсказывается. Контекст составляет 32 768 токенов. Модель обучена на данных Jin10 и поддерживает английский язык. На постоянной отложенной выборке автор сообщает улучшение метрики skill на 0,0251 относительно базового прогноза. Однако точность выбора интервала равна случайному уровню, модель выбирает почти нулевое отклонение примерно в 79% случаев и не предсказывает крайние интервалы. Оценка охватывает одно семейство рынков и ограниченный временной период, а метрики не отражают торговую доходность. Сведения о лицензии в предоставленных материалах отсутствуют.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-ip-negate на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-2B-metro-v24 — дообученная с помощью QLoRA модель continker на базе Qwen3.5-2B, предназначенная для задач MetroLLM-Bench: помощи пассажирам в транзитном киоске. Версия v24 обучена на обучающей части из 717 примеров; 238 случаев были отложены для оценки. В README указаны результаты на отложенной выборке: 81,20 по Tier-1 и 79,69 по Composite в среднем по трём запускам. В репозитории есть LoRA-адаптер ранга 16 и слитый GGUF-файл с квантизацией Q4_K_M размером 1,2 ГБ; метаданные также указывают формат safetensors. Модель доступна для диалогового использования и ориентирована на сценарии транзитного киоска. README сообщает, что GGUF запускается примерно на 39 токенах в секунду на безвентиляторном MacBook Air с M2; это результат для указанного устройства, а не универсальная оценка скорости. Базовая модель описана в каталоге как мультимодальная, но для этой производной модели заявлена задача text-generation. Лицензия — Apache 2.0. Модель специализирована на бенчмарке транзитного киоска; результаты оценки не гарантируют качество за пределами этого сценария.

Sonar Pro Search — агентная поисковая система Perplexity, доступная исключительно через API OpenRouter. Режим Pro Search предназначен для углублённого поиска, рассуждений и анализа.

OpenSeeker-v1-30B-SFT — диалоговая модель-агент для поиска и глубокого исследования в интернете, разработанная командой OpenSeeker. Авторы дообучили Qwen3-30B-A3B-Thinking-2507 на 11,7 тыс. примеров и открыли обучающие данные. Модель предназначена для сценариев, где нужно искать информацию и решать сложные поисковые задачи; в метаданных указаны интерфейс вызова инструментов и архитектура MoE семейства Qwen3. Модель использует 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В карточке заявлены результаты на BrowseComp-ZH, BrowseComp, xbench-DeepSearch и WideSearch, включая сравнение с Tongyi DeepResearch. Указанные результаты относятся к бенчмаркам и сами по себе не гарантируют аналогичного качества в реальных сценариях. Лицензия — MIT.

Sonar Reasoning Pro — модель рассуждений Perplexity, работающая на базе DeepSeek R1 и использующая цепочку рассуждений. Она предназначена для ответов на сложные запросы с опорой на поиск Perplexity; стоимость Sonar Pro включает стоимость поиска Perplexity. Доступный фрагмент карточки обрывается до подробностей о возможностях и ограничениях модели.

Blaze.1-27B-Reflection — текстовая диалоговая модель на архитектуре Gemma 2, дообученная автором репозитория на данных саморефлексии и поведения, включая синтетические примеры рассуждений от DeepSeek и QwQ. Модель содержит 27,6 млрд параметров, рассчитана на генерацию текста и диалог на английском языке; её контекст — 8192 токена. Модель предназначена для сложных ответов на вопросы, пошагового рассуждения, суммаризации, поддержки принятия решений, диалога и творческого письма. По описанию карточки, дообучение ориентировано на длинные цепочки рассуждений и самопроверку. Весовые файлы представлены в формате safetensors, исходные веса экспортированы в bfloat16; лицензия — Gemma. Ограничения включают возможные ошибки и галлюцинации, снижение качества на неанглийских запросах и узкоспециальной терминологии, потерю контекста в длинных документах и диалогах, а также повторяющиеся рассуждения. Для запуска и дообучения требуются значительные вычислительные ресурсы.

Pallas-0.5 — дообученная в формате instruct языковая модель Mihaiii на базе migtissera/Tess-34B-v1.4. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями и поддерживает диалоговый формат с ролями SYSTEM, USER и ASSISTANT. Модель использует архитектуру Llama и содержит 33,9 млрд параметров; заявленная длина контекста — до 200 000 токенов. В карточке также отмечен высокий результат на GSM8K, полученный при обучении на закрытом наборе данных. Pallas-0.5 подходит для ответов на вопросы, анализа текста и решения задач на рассуждение, особенно когда запрос требует длинной системной инструкции. Она не предназначена для универсальной генерации, например для написания художественных историй. Репозиторий содержит веса в формате safetensors; для модели указана лицензия other, поэтому условия использования следует проверять в карточке модели и связанных лицензиях.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

ChartGemma — модель для понимания и анализа диаграмм, разработанная на основе PaliGemma. Она принимает изображение диаграммы и текстовую инструкцию, чтобы отвечать на вопросы, составлять сводки и проверять утверждения по визуальным данным. В отличие от подходов, обученных на таблицах, извлечённых из диаграмм, ChartGemma дообучена на инструкциях, созданных непосредственно по изображениям, что помогает учитывать визуальные тенденции и детали разных диаграмм. В README заявлены результаты уровня state of the art на пяти бенчмарках для суммаризации диаграмм, ответов на вопросы и фактчекинга. Модель опубликована в формате safetensors и распространяется по лицензии MIT.

Apollo Raines представляет вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. По описанию автора, изменения вносятся непосредственно в веса для усиления аналитического рассуждения: модель глубже разбирает темы, рассматривает разные точки зрения и даёт более структурированные и подробные ответы. Дополнительное обучение не проводилось. Модель использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка заявляет, что опубликованная версия намеренно ослаблена и служит демонстрацией возможностей метода. Указана лицензия Llama 3.1.

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.

Matilda-Jev — модель принятия решений Maincode, дообученная на базе Qwen/Qwen3.8-27B. Она оценивает варианты, заданные в вопросе с выбором из списка, ответом «да/нет» или упорядоченной шкалой. Принимает текстовое или JSON-состояние, а также необязательные изображения, и выдаёт оценки вариантов через специализированную голову с 255 выходами; это не модель генерации текста. Архитектура — плотная MatildaJevModel, веса сохранены в safetensors; размер базовой модели — 27 млрд параметров. Поддерживаемый язык карточки — английский. Модель подходит для классификации, ранжирования и автоматизированного выбора среди предоставленных альтернатив. В README сообщается о тестировании 25 контрольных вопросов и совпадении вероятностей с исходным чекпойнтом на 23 запросах; приведён результат Decision Index 60,16 на 150 317 запросах, ожидающий официальной подачи. Для bf16-весов требуется около 49 ГиБ памяти до учёта накладных расходов; проверялась конфигурация на AMD MI355X, другие ускорители не тестировались. Лицензия — Apache-2.0.

Многоязычная модель анализа тональности tabularisai/multilingual-sentiment-analysis разработана Tabularis AI и дообучена на distilbert/distilbert-base-multilingual-cased. Она использует архитектуру DistilBERT для классификации текста на пять категорий: очень негативная, негативная, нейтральная, позитивная и очень позитивная тональность. Модель принимает текст и выдаёт метку тональности с оценками классов. Модель предназначена для анализа публикаций в социальных сетях, отзывов о товарах и обратной связи от клиентов на разных языках, а также для мониторинга брендов и рыночных исследований. Поддерживаются английский, китайский, испанский, хинди, арабский, бенгальский, португальский, русский, японский, немецкий, малайский, телугу, вьетнамский, корейский, французский, турецкий, итальянский, польский, украинский, тагальский, нидерландский, швейцарский немецкий и суахили. Контекст модели — до 512 токенов. Для обучения использовались синтетические многоязычные данные. Авторы рекомендуют проверять качество на реальных данных целевого сценария. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Palmyra-Creative — языковая модель Writer для творческого письма, генерации контента и нестандартного мышления. Она дообучена на Palmyra-X-004; метаданные указывают архитектуру Llama и 120,8 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 131 072 токенов. Модель предназначена для авторов и команд, которым нужны художественные тексты, сценарии, стихи, персонажи и диалоги, а также идеи и маркетинговые материалы. В примерах карточки особое внимание уделено бизнес-сценариям: критическому анализу привычных подходов, мозговому штурму и разработке нестандартных стратегий. Основной язык — английский. Лицензия обозначена как Writer open model; в метаданных её тип указан как other, поэтому условия следует сверить с текстом лицензии репозитория.

khaimaitien/qa-expert-7B-V1.0 — дообученная модель на базе mistralai/Mistral-7B-v0.1, созданная для многошагового ответа на вопросы. Она разбивает составной вопрос на последовательность простых вопросов, обрабатывает их по отдельности и объединяет сведения в итоговый ответ. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Модель предназначена для сценариев, где ответ требует последовательного поиска и объединения нескольких фактов. В карточке указано дообучение на наборе khaimaitien/qa-expert-multi-hop-qa-V1.0; файлы представлены в формате safetensors. Заявленный язык — английский. Лицензия в предоставленных данных не указана.

Модель разработана Cardiff NLP: это RoBERTa-large, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval для определения тональности текста с учётом заданной цели. На вход подаются текст и целевая сущность, объединённые в одну строку; модель относит их тональность к одному из пяти классов: «сильно негативная», «негативная», «негативная или нейтральная», «позитивная» и «сильно позитивная». Она подходит для анализа мнений о конкретных людях, компаниях, продуктах или темах в сообщениях Twitter и похожих коротких текстах. Модель использует архитектуру RoBERTa-large, содержит около 454,1 млн параметров и имеет контекст длиной до 514 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Результат представляет собой метку класса и оценку уверенности. Обучение на твитах до конца 2022 года ограничивает актуальность модели для новых языковых тенденций, а её классы не дают отдельной нейтральной категории: для неё предусмотрено сочетание «негативная или нейтральная».

InnerJev-4B-Full — модель принятия решений семейства InnerJev-4B, разработанная автором репозитория на основе Qwen/Qwen3.5-4B. Она оценивает предложенные пользователем варианты и возвращает распределение вероятностей; интерфейс охватывает выбор из нескольких вариантов, бинарные и вероятностные задачи Noul, а также упорядоченные задачи Score. Модель предназначена для задач принятия решений, а не для свободного диалога. Это плотная модель на 4 млрд параметров с архитектурой Qwen3.5 и сохранёнными компонентами обработки изображений, но обучение и предоставленный интерфейс вывода рассчитаны на текстовые входы. Обновлялись выбранные языковые линейные слои; эмбеддинги, выходной слой, нормализация и параметры зрения оставались замороженными. Обучение включало 29 326 вопросов. Для BF16-чекпойнта указана оценка 73,4694 из 100 на фиксированном наборе из 58 бенчмарков; это результат одного чекпойнта, а показатели других точностей могут отличаться. Для загрузки доступны полные объединённые веса в формате safetensors; отдельная базовая модель и PEFT не требуются. Модель распространяется по лицензии Apache-2.0. Для BF16-загрузки требуется достаточно оперативной памяти или видеопамяти. Свободная генерация текста не реализует интерфейс оценки решений.

InnerJev-4B-LoRA — модель принятия решений семейства InnerJev-4B, созданная на базе Qwen/Qwen3.5-4B. Она выдаёт распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных Noul, а также упорядоченных оценок Score. Обучение оптимизировано под распределения решений и не включает настройку для обычного свободного диалога. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров. В обучении применялась LoRA ранга 64; итоговые веса объединены, поэтому для загрузки не требуется PEFT или отдельная базовая модель. Хотя архитектура сохраняет компоненты обработки изображений, описанный интерфейс принятия решений рассчитан на текстовый ввод. Для BF16 указано ограничение по объёму оперативной или видеопамяти; установка для Transformers приведена с версией 5.14.1. Связанный BF16-чекпойнт набрал 73,9648 из 100 на фиксированном наборе из 58 бенчмарков принятия решений. Это результат одного чекпойнта, а не среднее по нескольким запускам; оценка объединённых BF16-весов и результаты NF4/INT8 отдельно не подтверждены. Лицензия — Apache-2.0.

google/pix2struct-chartqa-base — модель Google из семейства Pix2Struct для визуальных вопросов и ответов по диаграммам. Она использует архитектуру «кодировщик изображений — декодер текста» и выдаёт текстовый ответ на вопрос, заданный по изображению. Вариант ChartQA дообучен для работы с диаграммами; базовый Pix2Struct предварительно обучался преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, а также поддерживает ввод переменного разрешения и интеграцию текстового вопроса с изображением. Модель подходит для извлечения фактов из графиков и диаграмм, например для ответов на вопросы о значениях, сравнениях и тенденциях. В карточке указана поддержка английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель специализируется на визуальном понимании диаграмм, поэтому ответы зависят от читаемости изображения и корректной интерпретации его элементов. README не приводит численных характеристик размера модели или длины контекста.

TabularisAI разработала англоязычную модель анализа тональности на основе DistilBERT, дообученную для классификации текста. Она относит текст к одному из пяти классов: «очень негативный», «негативный», «нейтральный», «позитивный» и «очень позитивный». Модель подходит для анализа публикаций в социальных сетях, отзывов о товарах и обратной связи клиентов, а также для мониторинга брендов и изучения рынка. Обучение проводилось только на синтетических данных. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст с контекстом до 512 токенов и распространяется по лицензии Apache-2.0. Авторы сообщают об улучшении точности и снижении частоты ошибок в обновлении от декабря 2024 года, но в карточке нет численных результатов оценки; возможны смещения, и качество следует проверять на данных конкретной задачи.

Это бинарный классификатор тональности индонезийского текста, разработанный apriandito и дообученный на базе IndoBERT Large P2. Он определяет полярность в контексте заданной темы и возвращает один из двух классов: NEGATIF или POSITIF; нейтральный класс не предусмотрен. В README указан формат входа с контекстом темы и текстом, разделёнными специальными токенами. Модель построена на архитектуре BERT, содержит около 433,9 млн параметров по метаданным и поддерживает контекст длиной до 512 токенов. Модель подходит для мониторинга отзывов о брендах и продуктах, анализа общественного мнения и обнаружения кризисных реакций, когда нужна только положительная или отрицательная оценка. Для проверки на отложенной выборке из 2 107 примеров автор сообщает accuracy 96,06% и macro-F1 0,949; эти показатели относятся к указанной выборке. Лицензия — MIT.