III.5Управление персоналом и организацией

SegeeMak/resume-ner-xlm — модель для распознавания именованных сущностей в резюме, дообученная на базе FacebookAI/xlm-roberta-base. Она использует архитектуру XLM-RoBERTa для классификации токенов и содержит 305,2 млн параметров; максимальная длина контекста составляет 514 токенов. По метрикам оценки модель выделяет сведения о сертификатах, языках, профессиональных навыках, мягких навыках и технических навыках. В README приведены общая точность F1 0,8201, precision 0,8220 и recall 0,8182. Модель предназначена для извлечения структурированных данных из резюме, например навыков и языков кандидата. Данные обучения и их языковой состав в карточке не описаны, поэтому поддержку конкретных языков по этим сведениям установить нельзя. Модель распространяется по лицензии MIT.

Yaaasmineee разработала эту модель Sentence Transformers, дообучив sentence-transformers/paraphrase-multilingual-mpnet-base-v2 на парах предложений и оценках их сходства. Модель на базе XLM-RoBERTa преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска и сопоставления предложений и абзацев, в том числе для подбора резюме к вакансиям. Модель использует среднее объединение токенных представлений и косинусное сходство. Метаданные указывают размер 305,2 млн параметров и контекст до 514 токенов; карточка модели сообщает максимальную длину последовательности 128 токенов, поэтому при использовании следует учитывать более короткое ограничение из README. Обучающие примеры посвящены описаниям вакансий и задач в разработке ПО. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

Devengoyal/accesshire-mpnet-final — текстовая модель Sentence Transformer на основе MPNet, дообученная для сопоставления предложений и коротких описаний навыков. Она преобразует текст в нормализованные плотные векторы размерностью 768 и использует косинусное сходство для оценки семантической близости. Модель рассчитана на семантический поиск, сравнение текстов, поиск перефразирований, кластеризацию и классификацию; обучающий набор содержит 1 842 пары текстов с оценками сходства. Размер модели — 136,7 млн параметров. Максимальная длина последовательности в README указана как 384 токена, а метаданные каталога указывают контекст 514 токенов. Модель принимает текст и выдаёт векторы, пригодные для поиска и анализа сходства. Примеры обучающих данных связаны с описаниями действий и профессиональными навыками, поэтому модель может применяться для сопоставления формулировок опыта с названиями навыков. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

Модель распознавания сущностей в текстах о вакансиях и профессиях, разработанная группой NLP Международного эллинского университета. Это дообученная FacebookAI/roberta-base модель RoBERTa с архитектурой RobertaForTokenClassification и примерно 151,8 млн параметров. Она размечает текст на уровне токенов и выделяет профессии, навыки, квалификации, опыт и предметные области. Модель рассчитана на английский язык и контекст до 514 токенов. Модель подходит для извлечения структурированных требований из описаний вакансий и резюме, например для поиска профессий и навыков. В README приведены строгие span-F1 оценки на тестовой части обучающего датасета: 0,83 для профессий, 0,56 для опыта и 0,30 для предметных областей; это указывает на неодинаковое качество распознавания разных категорий. Обучение проводилось на открытом датасете Green et al.; лицензия модели — MIT.

Misbahuddin разработал компактную модель sentence-transformers на базе multilingual-e5-small для нормализации неоднородных названий профессий. Она сопоставляет входные названия с одной из 4 055 канонических профессий из таксономий ESCO и O*NET, создавая текстовые эмбеддинги для поиска и ранжирования. Модель содержит 124,3 млн параметров, использует архитектуру BERT с mean pooling и выдаёт векторы размерности 384; контекст ограничен 512 токенами, а обучение ориентировано на короткие названия до 64 токенов. Модель подходит для обработки названий должностей в резюме, вакансиях и системах CRM, ATS и HRIS, а также для межъязыкового поиска с французского и немецкого на английский. В README сообщается о тестировании на 15 248 названиях без пересечения профессий между обучающей и тестовой выборками; качество поиска выше, чем у BM25 и исходной e5-small на приведённых метриках. Для корректной работы нужны префиксы `query:` для входных названий и `passage:` для канонических меток. Модель выпущена под лицензией MIT. Покрытие ограничено профессиями ESCO и O*NET, а проверенные языки — английский, французский и немецкий. Она не предназначена для автоматического найма, отбора кандидатов или решений о компенсации; в таких сценариях необходим контроль человека.

SkillMatch MPNet — дообученная модель Aleksandruz на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений из описаний вакансий с определениями навыков. Она кодирует оба текста в векторы, после чего косинусное сходство позволяет находить наиболее подходящие навыки для каждого предложения. Модель предназначена для извлечения навыков и поиска по ним в текстах вакансий. Модель использует архитектуру MPNet и содержит 136,7 млн параметров. Принимает текст на английском языке; контекст — до 514 токенов. Распространяется в формате Safetensors по лицензии MIT. Оценивалась в исследованиях по автоматическому извлечению навыков и бенчмарке для рабочих задач.

Модель heidercs/xlmroberta-cv-chunked — дообученная XLM-RoBERTa Base для классификации резюме на испанском языке по 43 профессиональным категориям. Она принимает текст документа и выдаёт категорию с оценкой уверенности. Обучение проводилось на фрагментах по 512 токенов с перекрытием 64 токена, однако при обработке документа используется только первый фрагмент длиной до 512 токенов; архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров. На тесте из 2 681 документа указаны accuracy 83,4% и macro-F1 0,826. Для быстрого маршрута без дополнительной проверки автор рекомендует порог уверенности 0,80: при таком пороге напрямую обрабатывались 84,5% тестовых примеров с точностью 92,0%. Модель подходит для первичной сортировки резюме по профессиональным направлениям, но длинные документы обрезаются после первого фрагмента, что может снизить точность. Обучающие данные основаны на общедоступном корпусе англоязычных резюме, переведённом на испанский; точная лицензия исходного корпуса зависит от его опубликованных условий. Лицензия модели указана как other.

has-abi/distilBERT-finetuned-resumes-sections — дообученная модель DistilBERT для классификации фрагментов резюме по разделам. Она основана на Geotrend/distilbert-base-en-fr-cased и предназначена для автоматической разметки текста резюме, например для выделения разделов с навыками, опытом или образованием. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В README приведены результаты на тестовом наборе: F1 0,9652, ROC AUC 0,9808 и точность 0,9621. Состав набора данных, перечень классов и подробные условия оценки не описаны, поэтому эти метрики не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Marianodo/labels-per-job-title-fine-tune — модель sentence-transformers на базе MPNet, разработанная Marianodo для сопоставления предложений и абзацев с названиями должностей и метками. Она преобразует текст в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В README указано, что модель обучалась с функцией потерь BatchHardSoftMarginTripletLoss. Её можно применять для поиска похожих формулировок должностей, группировки названий вакансий и подбора меток по текстовому описанию. Данные о языке обучения или использования в карточке не приведены. Модель поставляется в формате PyTorch. Лицензия в предоставленных метаданных и README не указана.

Saadhyam Context-Aware Email Generator — дообученная модель Google FLAN-T5-small от автора репозитория mentneo для генерации профессиональных писем по запросу с учётом аудитории, контекста и типа письма. В качестве входных данных используются аудитория, контекст, тип письма и запрос пользователя; предусмотрены сценарии для кандидатов, клиентов, сотрудников, студентов и общей аудитории, а также для поддержки клиентов, образования, рекрутинга и рабочего общения. Модель построена на архитектуре T5 и содержит 45,8 млн параметров. Она рассчитана на английский язык и имеет контекст длиной до 512 токенов. Модель представлена в формате Safetensors; для запуска используется библиотека Transformers. В карточке приведены результаты оценки на тестовых примерах Saadhyam: совместимость с контекстом составила 94,17%, а в проверках генерации на тестовых сценариях заявлены полнота вывода и соответствие шаблону. Эти показатели получены на данных разработки и не гарантируют качество на новых производственных запросах. Лицензия в предоставленных данных не указана.

Англоязычная модель Sentence Transformer, разработанная на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная для сопоставления описаний профессий и должностей. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения описаний вакансий и профессий, а также может применяться для поиска перефразирований, кластеризации и классификации текстов. Она обучена на 897 примерах и показала точность cosine_accuracy 0,7289 на указанной в карточке оценке TripletEvaluator. Лицензия в предоставленных данных не указана.

CareerBERT-JG — модель векторных представлений предложений на базе BERT, разработанная Lukas Wolfrum и соавторами. Она дообучена на таксономии ESCO для сопоставления резюме с профессиями и формирования рекомендаций по подходящим направлениям работы. Модель кодирует текст в общее пространство эмбеддингов, где можно сравнивать резюме и описания профессий по смысловой близости. Она рассчитана на немецкий язык, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель — agne/jobGBERT; веса опубликованы в формате safetensors. CareerBERT-JG подходит для поиска подходящих профессий в базе ESCO и построения систем рекомендаций для соискателей и карьерных консультантов. В README сообщается о результатах оценки на данных вакансий EURES и с экспертной оценкой резюме, однако подробные метрики в карточке не приведены. Лицензия в предоставленных данных не указана.

lealdaniel/comp-embedding-matching — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для сопоставления названий профессий и связанных с ними категорий. Она преобразует предложения и короткие тексты в плотные векторы размерности 768, нормализует их и позволяет сравнивать косинусное сходство. Архитектура включает MPNet, усредняющий пулинг токенов и нормализацию; README указывает максимальную длину последовательности 384 токена, а метаданные — контекст 514 токенов. Модель подходит для семантического поиска и ранжирования соответствий между формулировками должностей и профессиональными категориями, а также для сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В примерах обучающих и оценочных данных встречаются английские и португальские названия профессий и категорий. На тестовой выборке в README приведены значения cosine_accuracy@1 0,3202, @3 0,4547 и @5 0,5224; качество следует проверять на данных целевого сценария. Лицензия в предоставленных данных не указана.

esco-gemma4 — дообученная модель на базе Google Gemma 4, созданная для сопоставления навыков, описаний вакансий и профессиональных квалификаций с таксономией ESCO v1.2.1 и кодами профессий ISCO-08. Модель обучена с помощью Unsloth и QLoRA; в этом репозитории опубликованы веса Safetensors для использования с vLLM, Transformers и облачными API. Модель принимает текстовое описание профессионального опыта и формирует текстовый ответ с подходящим названием профессии ESCO и кодом ISCO-08. Для запросов автор рекомендует шаблон Alpaca. Также доступны отдельные репозитории с вариантами GGUF и MLX. Модель ориентирована на классификацию профессий и навыков по заданным систематикам. Карточка не сообщает размер модели, длину контекста или результаты оценки качества, поэтому точность сопоставления не установлена. Лицензия — Apache-2.0.

tabiya/all-MiniLM-L6-v2-occupation-fine-tuned — модель на архитектуре BERT, созданная на базе семейства all-MiniLM-L6-v2 и дообученная для работы с предложениями и абзацами. Она преобразует текст в плотные эмбеддинги размерностью 384 и подходит для семантического поиска и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Модель можно применять для поиска по смыслу в текстах об occupation и для группировки похожих текстовых описаний. README указывает на обучение с MegaBatchMarginLoss, но не приводит подробностей обучающих данных и результатов оценки. Лицензия в предоставленных данных не указана.

ESCOXLM-R — языковая модель Mike Zhang, Rob van der Goot и Barbara Plank, представленная в статье ACL 2023. Она основана на XLM-R large и прошла доменное адаптивное предварительное обучение на таксономии ESCO — европейской классификации навыков, компетенций, квалификаций и профессий. Модель содержит 658,7 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, Safetensors и ONNX под лицензией Apache-2.0. Модель предназначена для задач, связанных с рынком труда и описаниями вакансий: например, для извлечения навыков и профессий, классификации текстов и разметки последовательностей. В предварительном обучении использовались динамическое маскирование языковой модели и дополнительная цель для изучения многоязычных связей таксономии ESCO. В статье сообщается о лучших результатах на шести из девяти наборов данных для шести задач разметки последовательностей и трёх задач классификации; это результаты оценки, а не гарантия качества на новых данных. Метаданные указывают хорватский язык, а обучение охватывало 27 языков.

serbog/multilingual-e5-large-skill-job-matcher — модель эмбеддингов на базе XLM-RoBERTa, представленная как Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Название указывает на сопоставление навыков и вакансий, однако README не приводит конкретных примеров или описания этой специализации. Модель имеет 658,7 млн параметров, работает с текстом и принимает последовательности длиной до 514 токенов. В README указано обучение с CosineSimilarityLoss; доступный формат — PyTorch. Модель подходит для построения векторного поиска и ранжирования по сходству. Лицензия и конкретные поддерживаемые языки в предоставленных данных не приведены.

jjzha/jobbert_knowledge_extraction — модель на базе BERT для классификации токенов, предназначенная для извлечения знаний и навыков из текста вакансий. Она размечает фрагменты текста, связанные с hard skills; связанный endpoint jjzha/jobbert_skill_extraction предназначен для извлечения навыков, включая soft и прикладные навыки. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов. Модель подходит для автоматического выделения технических знаний и требований к квалификации в описаниях вакансий. Данные о лицензии и конкретных языках обучения или применения отсутствуют в предоставленных источниках.

SkillScout Large — плотный bi-encoder TalentGuide для поиска навыков ESCO по названию профессии. Модель разработана для Stage 1 двухэтапного сопоставления профессий и навыков в задаче TalentCLEF 2026 Task B; она кодирует название профессии и описания навыков в эмбеддинги и ранжирует 9 052 навыка по косинусному сходству. Модель основана на jjzha/esco-xlm-roberta-large: архитектура XLM-RoBERTa-large с mean pooling, 658,7 млн параметров и эмбеддингами размерности 1024. Для кодирования и поиска используются sentence-transformers; максимальная длина входа в README указана как 64 токена. Модель обучена на англоязычных данных ESCO и оптимизирована для этой таксономии. Для более точного различения основных и контекстных навыков README рекомендует добавить cross-encoder-реранкер; на проверочной выборке сочетание с ним показало более высокий nDCG@10, чем bi-encoder отдельно. Модель подходит для подбора навыков к названиям вакансий и построения поиска по каталогу ESCO. Лицензия — Apache-2.0.

task-classifier-mini-v3 — компактная модель двоичной классификации текста от Loyola Data Mining, предназначенная для определения, содержит ли фрагмент текста формулировку рабочей задачи. Она основана на BERT-tiny и дообучена на более тщательно отобранных примерах из крупного корпуса вакансий; в метаданных указаны архитектура BertForSequenceClassification, 4,4 млн параметров и контекст до 512 токенов. Модель принимает текст и возвращает один из двух классов с оценкой уверенности: текст является формулировкой задачи или нет. Модель рассчитана на быстрые высокопроизводительные конвейеры фильтрации, например для извлечения обязанностей и задач из объявлений о работе. В README приведена оценка на наборе loyoladatamining/usajobs_validation: accuracy 0,9583 и F1 0,9585 на части данных с задачами; эти результаты относятся к указанной в карточке выборке. Модель распространяется по лицензии MIT.

rohit-vt/tink-reranker-phase1_minilm — текстовый cross-encoder, дообученный разработчиком на базе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Модель получает пару текстов и выдаёт оценку их релевантности, которую можно использовать для переранжирования поисковой выдачи и семантического поиска. Архитектура основана на BERT и реализована как BertForSequenceClassification с одним выходным значением. Размер модели — 25,9 млн параметров, максимальная длина входа — 512 токенов. По описанию обучающих данных модель настраивалась на сопоставление навыков и их релевантности; README приводит выборки из 10 246 обучающих и 1 416 оценочных примеров. Модель предназначена для текстовых пар и не принимает изображения или другие модальности. Оценки полезно ранжировать внутри набора кандидатов; качество на иных типах запросов и текстов может отличаться от качества на примерах о навыках. Лицензия в предоставленных данных не указана.

Это текстовая cross-encoder-модель rohit-vt, дообученная на основе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом, который можно использовать для переранжирования результатов поиска и семантического поиска; обучающие примеры связаны с сопоставлением названий навыков и профессий. Модель построена на архитектуре BERT и содержит 25,9 млн параметров. Она принимает текстовые пары, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. В карточке не обозначены специальные требования к языку, поэтому подтверждённую поддержку конкретных языков установить нельзя. Модель подходит для ранжирования кандидатов по запросу, например при поиске похожих навыков. Её оценки обучены на конкретных данных сопоставления и могут хуже работать на иных типах текстов или языках. Лицензия в предоставленных данных не указана.

CareerLens Resume-Job Fit Classifier — англоязычная модель классификации соответствия резюме описанию вакансии, разработанная для проекта CareerLens (ULAB). Это дообученная BERT-модель jjzha/jobbert-base-cased с 135,5 млн параметров, специализированная на текстах вакансий. Она принимает пару текстов — резюме и описание вакансии — и относит их соответствие к одному из трёх классов: Good Fit, Potential Fit или No Fit. Максимальная длина входа составляет 512 токенов; модель доступна в форматах Safetensors и ONNX. Модель предназначена для предварительного сопоставления кандидатов с вакансиями и сортировки резюме. На отложенной тестовой выборке указаны точность 63,6% и Macro F1 0,63. Проверка проводилась на англоязычном наборе из 8 000 пар резюме и вакансий с разделением по кандидатам, чтобы избежать пересечения резюме между обучающей и тестовой выборками. Качество на других отраслях и языках не проверено; обучающие данные смещены в сторону IT и разработки программного обеспечения. README предупреждает, что модель может ошибочно оценить нерелевантное резюме как Good Fit из-за слабой чувствительности к описанию вакансии, поэтому рекомендует дополнять её проверкой пересечения навыков на основе ESCO. Лицензия — Apache-2.0.

benjaminchristie/skill-minilm — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный для сравнения и поиска коротких текстов, связанных с навыками и действиями. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство оценивается косинусной мерой. Архитектура включает энкодер BERT, mean pooling и нормализацию. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; карточка модели заявляет максимальную длину последовательности 256 токенов. Модель обучена на 266 парах примеров с CosineSimilarityLoss и предназначена, в частности, для семантического поиска и сопоставления формулировок навыков. В карточке приведён результат Spearman 0,5246 на skill-vocab-val. Это узкая настройка на небольшом наборе данных, поэтому качество на других темах и длинных текстах может отличаться. Лицензия в предоставленных данных не указана.

CareerBERT-G — немецкоязычная модель Sentence Transformers, разработанная Lukas Wolfrum и соавторами. Она дообучена на таксономии ESCO для сопоставления резюме с профессиями и рекомендаций подходящих карьерных направлений. Модель построена на deepset/gbert-base, содержит 137,1 млн параметров и принимает текстовые фрагменты длиной до 512 токенов. Она преобразует тексты в эмбеддинги, пригодные для оценки сходства и ранжирования профессий по соответствию резюме. В исследовании CareerBERT показала эффективность для рекомендаций вакансий и карьерных консультаций. Модель предназначена для немецкоязычного сопоставления профилей кандидатов с профессиями ESCO; другие языки и сценарии в карточке не заявлены. Лицензия в предоставленных данных не указана.

ChocoLlama-2-7B-base — языково-адаптированная базовая языковая модель, разработанная Matthieu Meeus и Anthony Rathé на основе Meta Llama-2-7B. Модель дообучена методом LoRA на 32 млрд нидерландских токенов; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации и понимания текста на нидерландском языке, а также для последующей адаптации к прикладным задачам, например к работе с вакансиями, корпоративной отчётностью и законодательством. Это базовая модель, не настроенная для диалогов и выполнения инструкций; для таких сценариев авторы рекомендуют instruct-версию или дополнительное дообучение. Основной язык — нидерландский. Из-за обучения преимущественно на нидерландских данных модель может плохо работать с другими языками, включая английский. В данных обучения не проводилась отдельная фильтрация потенциально предвзятого или вредоносного содержания, поэтому для снижения нежелательных ответов авторы рекомендуют дообучение на тщательно отобранных данных. Лицензия — Llama 2 Community License.

Модель daresearch/Llama-3.1-8B-bnb-4bit-M-exec-roles разработана для классификации должностей и ролей руководителей в корпоративном контексте. Это дообученная с помощью LoRA плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров; она принимает текст, например название должности и сведения об организации, и формирует текстовый ответ о ранге или роли — таких как VP, SVP, CEO, CXO и член совета директоров. Указанная длина контекста — 131 072 токена. Модель предназначена для выявления руководящих ролей, классификации должностей и определения их места в иерархии. Она поддерживает английский язык. Лицензия — Llama 3.1. В карточке нет сведений о данных обучения, метриках, результатах тестирования или подробных ограничениях; качество классификации и устойчивость к различиям в названиях должностей не описаны.

Ocelot-Ko-self-instruction-10.8B-v1.0 — языковая модель, разработанная frcp и nebchi на основе Solar-Ko. Это авторегрессионная плотная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов; для обучения использовался QLoRA. Модель принимает текст и генерирует ответы на корейском языке. Модель предназначена для корейской корректуры текстов и оценки резюме, а также для диалоговых ответов на текстовые запросы. В карточке заявлено обучение на большом объёме корейских токенов и приведены результаты оценок LogicKor и KoBEST. Лицензия — Apache-2.0. Карточка не сообщает подробностей о составе обучающих данных и не описывает ограничения качества или безопасности; результаты тестов сами по себе не гарантируют качества в конкретных сценариях.

mattohan/job-tracker-email-classifier — дообученная модель классификации писем о поиске работы, созданная на основе BAAI/bge-small-en-v1.5. Она распределяет письма по пяти категориям; в карточке названы подтверждение получения заявки, отказ и приглашение на собеседование. Модель предназначена для работы в браузере через Transformers.js и опубликована в формате ONNX; доступны квантованный вариант размером 32,5 МБ и полный вариант размером 127,6 МБ. Модель обучена на примерно 28 тысячах исходных писем и дополненных фрагментов с использованием curriculum learning. В README заявлена точность 100% на валидации как для полных писем, так и для фрагментов, однако подробности методики оценки не приведены. Модель ориентирована на английские письма, имеет около 40 млн параметров и контекст до 512 токенов. Лицензия — MIT; выполнение классификации в браузере позволяет не отправлять содержимое писем на сервер.

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