III.3Продажи и управление доходом

Wald-Q4B — плотная текстовая модель примерно на 3,4 млрд параметров, дообученная разработчиками Wald на Qwen/Qwen3.5-4B-Base. Она принимает описание состояния и набор вариантов, затем за один проход возвращает калиброванную вероятность для каждого варианта. Предусмотрены вопросы с именованными вариантами, выбор «да/нет» и оценка по упорядоченным уровням; модель предназначена для встраивания в агентные системы и конвейеры принятия решений. Основные сценарии — выбор инструмента, маршрутизация запросов, классификация входных данных и решение о необходимости уточнить запрос у пользователя. Модель также поддерживает необязательный режим рассуждения с регулируемым уровнем усилий; для версии v1.2 авторы рекомендуют одношаговый режим. Репозиторий предоставляет совместимый с Jev API, а веса распространяются в формате BF16; заявленная длина контекста в метаданных — 262 144 токена. Карточка сообщает о результатах на JevBench и JevAdvBench, включая более низкую долю смены ответов v1.2 под атаками и небольшое снижение точности на чистых вопросах относительно v1.1. Результаты зависят от версии и режима, поэтому их нельзя напрямую переносить на другие настройки. Модель поддерживает английский язык; базовая модель описана как мультимодальная, однако Wald-Q4B позиционируется как текстовая модель решений. Лицензия — Apache-2.0.

Orato ASR Hindi v1 — модель распознавания речи, разработанная Orato как полнопараметрическая дообученная версия Qwen/Qwen3-ASR-0.6B. При дообучении обновлялись декодер и проектор, а аудиоэнкодер оставался замороженным. Модель принимает аудио и выдаёт текст; она рассчитана на хинди, английский и переключение между ними в разговорной речи. Модель предназначена для транскрибации звонков в сценариях записи на приём, поддержки, страхования и продаж. В тестах авторов она улучшила WER относительно базовой модели на наборах Kathbath, Gramvaani и Lahaja, особенно на данных, близких к телефонным разговорам и разговорной речи. В README указана бета-стадия; оценка за пределами аудио звонков на хинди не проводилась. Для загрузки требуется библиотека qwen-asr и класс Qwen3ASRModel; README предупреждает, что загрузка через Transformers AutoModel может работать некорректно. Метаданные указывают формат safetensors и лицензию Apache-2.0, однако авторы сообщают, что подтверждение прав на часть обучающих данных и проверка согласия и персональных данных ещё продолжаются; выпуск предназначен для внутренней и бета-оценки.

Tanpo Marketing — компактная языковая модель для маркетинга и задач GTM, созданная d4rkninja. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct; в репозитории размещены объединённые веса для Transformers. Модель рассчитана на локальное и недорогое развёртывание, в том числе на устройствах с ограниченными ресурсами. Архитектура LFM2, около 1,5 млрд параметров по метаданным, контекст — до 128 000 токенов. Модель помогает создавать рекламные заголовки и хуки, холодные письма, тексты для посадочных страниц, сообщения для целевой аудитории, брифы кампаний, анонсы запусков и ответы на возражения. Английский указан среди языков модели. Авторские автоматические оценки показывают улучшение на небольших наборах маркетинговых заданий, но не являются отраслевыми бенчмарками и не гарантируют качества в реальных кампаниях. Модель специализирована на маркетинге и GTM: за пределами этих задач качество может снижаться, а её небольшой размер ограничивает объём знаний и способность к длительным рассуждениям. Она не предназначена для проверки юридических утверждений, товарных знаков или соответствия регулируемой рекламе. Лицензия указана как other; конкретные условия следует проверять на странице модели.

7oudaModel — модель классификации текста на основе AraBERT, разработанная Mahmoud252002. Она дообучена на aubmindlab/bert-base-arabertv02 для бинарной классификации текстовых отчетов о звонках на успешные и неуспешные. Модель использует архитектуру BERT и принимает арабский текст; размер составляет 162,4 млн параметров, контекст — до 512 токенов. В примере использования для токенизации задаётся предел 256 токенов. Модель предназначена для автоматической разметки результатов звонков, например при обработке отчетов в операционных или контакт-центровых процессах. Для работы нужны совместимые токенизатор и модель классификации из Transformers. Распространяется по лицензии Apache-2.0.

Модель amir22010/fine_tuned_product_marketing_email_gemma_2_9b_model — дообученная версия Gemma 2 для генерации текста. По названию репозитория она предназначена для создания маркетинговых писем о продуктах. Модель разработал amir22010 на основе unsloth/gemma-2-9b-bnb-4bit; обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Это плотная причинно-языковая модель семейства Gemma 2 с 9 млрд параметров, принимает текст и генерирует текст. Контекстное окно составляет 8192 токена; в карточке указан английский язык. Модель распространяется под лицензией Apache-2.0. README не приводит результатов оценки качества или подробностей о данных дообучения.

copywriter-gemma4-31b-i1-GGUF — квантованная GGUF-версия модели copywriter-gemma4-31b, разработанной akwin123 и подготовленной к квантованию пользователем mradermacher. Модель относится к семейству Gemma 4 и предназначена для генерации рекламных и маркетинговых текстов: рекламных объявлений, продающих материалов, email-рассылок, текстов прямого отклика и конверсионного copywriting. Заявлены также диалоговый формат и эмоциональный интеллект. Модель содержит 31 млрд параметров. В README она обозначена как vision-модель, поэтому для работы с изображениями могут потребоваться файлы mmproj из статического репозитория. Указан английский язык. Формат GGUF позволяет использовать различные уровни квантования с разным соотношением размера, скорости и качества: от примерно 7,3 до 25,3 ГБ. Рекомендуемым вариантом назван i1-Q4_K_M, а i1-Q4_K_S — компромиссом между размером, скоростью и качеством. К сильным сторонам относятся специализация на copywriting и широкий выбор квантованных вариантов для запуска на оборудовании с разными ограничениями по памяти. Ограничения включают потенциальное снижение качества у компактных квантов, причём некоторые варианты прямо отмечены как низкокачественные; максимальная длина контекста в README не указана. Лицензия унаследована от Gemma и обозначена как gemma; конкретные условия следует проверять в лицензии базовой модели.

Real Estate Listing Analysis — модель на архитектуре mBART для классификации текстов объявлений о недвижимости. Она предназначена для отнесения объектов к категориям по типу, определению объявлений о новостройках и бизнес-центрах, выявления удобств, классификации по местоположению и анализа ценовых тенденций. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и распространяется в формате safetensors. Карточка описывает применение в анализе объявлений о недвижимости, однако конкретные метки классов и результаты оценки качества не приведены. Лицензия в доступных данных не указана.

MMOPD/Qwen3-4B-OT3-tau2-3ep — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, разработанная участниками исследования MMOPD. Это контрольная точка после третьей эпохи supervised fine-tuning модели MMOPD/Qwen3-4B-OT3-2ep на агентских диалогах датасета inclusionAI/AReaL-tau2-data. Модель предназначена для агентских сценариев обслуживания клиентов в авиакомпаниях, розничной торговле и телекоммуникациях: она формирует ответы и вызовы инструментов по контексту диалога, сохраняя формат рассуждений Qwen3. Поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский язык. В README приведены результаты оценки в τ²-bench для телекоммуникационных сценариев и инструкции по запуску через vLLM с парсерами вызовов инструментов Hermes и рассуждений Qwen3. Чекпойнт сохранён в bfloat16; лицензия — Apache-2.0. Для корректной работы с инструментами требуется совместимый агентный протокол и настроенный парсер. Оценка на телекоммуникационном наборе частично затронута пересечением сценариев с данными обучения и родственными данными, поэтому её нельзя считать полностью независимой проверкой.

SES Industry Email Classifier — модель классификации деловых писем японской SES-индустрии, разработанная Наоки Хосокавой (Apple Seed LLC) на основе BERT. Она распределяет письма по трём классам: предложения проектов или вакансий (案件), представления специалистов (要員) и прочая деловая переписка (その他), помогая автоматизировать маршрутизацию и обработку почты. Модель предназначена для японского языка и использует архитектуру BERT для классификации последовательностей; содержит 138,4 млн параметров и принимает до 512 токенов. В карточке указаны accuracy 99,51% и weighted F1 0,99 на тестовой выборке. Модель подходит для предварительной сортировки большого потока писем SES и направления неоднозначных результатов на дополнительную проверку. Она специализирована на письмах этой отрасли и может хуже работать на других типах почты. Для класса «прочее» указана полнота 60% на малой выборке; длинные входы обрезаются до 512 токенов. Лицензия — Apache-2.0.

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

Laplace v3.7 Qwen3-14B — это дообученная SnupiLab модель Qwen3-14B для прогнозирования исхода бинарных событий по вопросу, критериям разрешения, дате прогноза и доступным к этой дате свидетельствам. Модель использует режим рассуждений hindsight-guided и генерирует текстовый ответ с оценкой вероятности; для извлечения числа из ответа рекомендуется следовать описанному в карточке формату и правилам разбора. Чекпойнт соответствует шагу 528, примерно одной эпохе обучения, при максимальной длине обучающей последовательности 8192 токена. В описанной оценке на 304 вопросах и 1144 экземплярах прогноза все генерации удалось разобрать; метрики включают Brier score 0,1888 и AUROC 0,8174. Эти результаты получены на метках до их пересмотра, а чекпойнт ретроспективно выбран по тестовым результатам, поэтому они не подтверждают обобщение на новые данные. Модель принимает текст и выдаёт текст, рассчитана на сценарии вероятностного прогнозирования событий. Базовая Qwen3-14B распространяется по Apache-2.0; карточка указывает эту же лицензию для модели. Для воспроизведения обучения использовался частный датасет, поэтому доступность обучающих данных ограничена.

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.

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.

InnerJev-27B-LoRA — модель принятия решений из семейства InnerJev-27B, разработанная автором репозитория и основанная на Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных задач Noul, а также упорядоченного оценивания Score. Обучение на 39 279 вопросах нацелено на формирование распределений решений и не включает обычное дообучение для свободного диалога. Модель использует архитектуру Qwen3.5 с 27 млрд параметров; адаптация выполнена LoRA ранга 64 и альфы 128, а веса экспортированы после слияния адаптера. Адаптированы только указанные языковые слои, тогда как эмбеддинги, выходная голова, нормализация и параметры зрения заморожены. Хотя архитектура сохраняет компоненты для изображений, обучение решений и интерфейс инференса рассчитаны на текстовый ввод. BF16-чекпойнт получил 80,1517 из 100 на фиксированном наборе из 58 бенчмарков принятия решений; это результат одного чекпойнта, а полный повтор оценки уже слитых BF16-весов не проводился. Репозиторий распространяется по лицензии Apache-2.0.

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

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.

Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

OdooClaw Medium 2.6B FT — дообученная плотная языковая модель семейства LFM2 для управления Odoo ERP через вызов инструментов по протоколу MCP. Разработчик — Nicolas Ramos; модель предназначена для локального запуска на устройствах Apple Silicon с MLX и поставляется в формате BF16 без квантизации. Она содержит 2,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает запросы на естественном языке в чате Odoo и выбирает инструменты для поиска и создания записей, а также выполнения других операций в ERP. Карточка приводит результаты тестов на наборах из 1000 сценариев: 94,2% для диалогов, 99,5% для создания и 74,0% для бизнес-задач; это показатели оценки разработчика. Указаны английский и испанский языки. BF16-вариант занимает около 5,4 ГБ и служит полноточной версией для вывода, оценки и дальнейшего дообучения. Лицензия — Apache-2.0.

JPT-9B — открытая модель решений от автора репозитория kirp, созданная дообучением Qwen/Qwen3.5-9B с помощью LoRA и объединением адаптера с основными весами. Она принимает описание ситуации и типизированные вопросы, а одним проходом выдаёт вероятности вариантов ответа для выбора из списка, оценки по упорядоченной шкале или ответа «да/нет». Модель предназначена для классификации намерений и тональности, NLI, выбора действия и других задач, где нужно оценить несколько вариантов без генерации объяснения. Модель содержит 9 млрд параметров, использует архитектуру Qwen3.5ForConditionalGeneration и сохраняется в формате safetensors. Она мультимодальна и поддерживает изображения благодаря базовой модели, однако обработка изображений для этого чекпойнта не проверялась. Основной язык — английский; другие языки представлены лишь в небольшом количестве обучающих наборов. Вероятности откалиброваны общей температурой 1,087. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

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.

TiRex-2 — предварительно обученная модель временных рядов от NX-AI для прогнозирования на основе исторических наблюдений. Она поддерживает прогнозирование одного или нескольких целевых рядов, а также может учитывать прошлые и известные заранее дополнительные признаки: календарные события, праздники, акции и запланированные вмешательства. Один чекпойнт предназначен для однофакторных и многофакторных сценариев; модель работает без дообучения на данных конкретной задачи. Модель рассчитана на zero-shot прогнозирование, в том числе в сценариях, где наблюдения поступают последовательно. В однофакторном режиме активируется 38,4 млн параметров, а для многофакторного прогнозирования задействуется ещё 44,1 млн. Репозиторий предоставляет веса PyTorch и код инференса; метаданные указывают библиотеку tirex-2 и лицензию Apache-2.0. Модель подходит для прогнозирования нескольких связанных временных рядов с известными будущими факторами. В README потоковое обновление прогнозов без пересчёта всей истории и оптимизации для специализированного оборудования перечислены как возможности версии TiRex-2 Pro, поэтому их нельзя считать подтверждёнными для этого открытого чекпойнта. Также заявленные результаты zero-shot не гарантируют одинакового качества на всех наборах данных.

Fin-o1-14B — плотная языковая модель на 14 млрд параметров, созданная TheFinAI дообучением Qwen3-14B. Она предназначена для диалогов и решения финансовых задач, особенно для математических рассуждений. Модель обучали методом SFT и GRPO на TheFinAI/FinCoT — наборе, основанном на FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README расходится в названии базовой версии и токенизатора, но метаданные и раздел Model Details указывают базовую модель Qwen3-14B.

TimeBraid-2.5B — мультимодальная модель, разработанная для совместной работы с числовыми временными рядами и естественным языком. Она объединяет языковую основу Qwen3-1.7B, временной ряд TimesFM 2.5 200M и обученные слои слияния; всего в модели около 2,5 млрд параметров. Репозиторий содержит обе основы, поэтому отдельный чекпойнт TimesFM для вывода не требуется. Модель описывает тенденции и закономерности в наблюдаемых рядах, отвечает на вопросы и сравнивает несколько рядов. Для прогнозирования она использует историю числовых значений и дополнительный текстовый контекст, например сведения о предстоящей акции. Вход передаётся через процессор Hugging Face как числовые массивы и сообщения; результатом может быть текст или числовой прогноз. Для запуска автор рекомендует Linux, Python 3.11, CUDA 12.8 и совместимый с FlashAttention-2 GPU NVIDIA. Модель распространяется по лицензии Apache-2.0.

Wendi 2B — компактная модель для принятия решений, разработанная на основе Qwen3.5-2B. Она получает свидетельства, критерий выбора и небольшой набор вариантов, после чего выбирает ответ одним предсказанием следующего токена. Модель предназначена для маршрутизации рабочих процессов, выбора следующего действия, классификации с учётом инструкций, проверки свидетельств, анализа использования инструментов и классификации электронной почты. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; карточка указывает настройку контекста до 262 144 токенов и поддержку диалога. Wendi дообучена с помощью supervised fine-tuning и гибридного GRPO; языковые LoRA-адаптеры ранга 16 объединены в самостоятельный BF16-чекпойнт. Для обслуживания README рекомендует актуальные версии SGLang или vLLM с поддержкой Qwen3.5. Метаданные указывают языки en и zh. Внутренние отложенные проверки показывают пригодность для ряда задач классификации и выбора по заданным критериям, однако результаты различаются по категориям и не гарантируют точность на новых данных. Для запросов на принятие решений README рекомендует отключать режим thinking, использовать заглавные буквы для вариантов и оценивать следующий токен только среди допустимых ответов. Модель распространяется по лицензии Apache-2.0.

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

Yug — модель временных рядов с 271,8 млн параметров, разработанная Birla AI Labs для вероятностного прогнозирования с нулевым дообучением. Она принимает исторический контекст и горизонт прогноза и формирует прогнозное распределение, представленное квантилями; одна архитектура поддерживает как одномерные ряды, так и прогнозирование с использованием ковариат. Архитектура включает 12 слоёв декодера и имеет размерность модели 960. Модель предназначена для прогнозирования ранее не встречавшихся временных рядов без настройки под конкретную задачу или ряд. Её можно применять к рядам с ковариатами и получать вероятностные оценки неопределённости прогноза. В обучении использовались подмножества Chronos Datasets и GIFT-Eval Pretrain, а также синтетические данные, обозначенные разработчиком как проприетарные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

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

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

Карточка модели CollectionStudio/Trinity-Large-Thinking на Hugging Face совпадает с карточкой arcee-ai/Trinity-Large-Thinking, поэтому описание составлено по ней. Trinity-Large-Thinking — ориентированная на рассуждения и агентные сценарии модель семейства Trinity-Large от Arcee AI. Это дообученная на базе arcee-ai/Trinity-Large-Base разреженная MoE-модель для генерации текста; по README, в семействе около 398 млрд параметров и примерно 13 млрд активных параметров на токен, используется 256 экспертов, включая одного общего. Метаданные указывают 8,7 млрд параметров, поэтому точный размер данного чекпойнта в источниках расходится. Модель предназначена для многошагового планирования, вызова инструментов, диалогов и задач, требующих развёрнутых рассуждений. Она формирует трассы рассуждений в специальных блоках, которые следует сохранять в контексте при многоходовом взаимодействии и циклах агента. Поддерживает 262 144 токена контекста и языки en, es, fr, de, it, pt, ru, ar, hi, ko и zh. Метаданные указывают лицензию other; конкретные условия использования следует сверять с карточкой модели.

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