III.8Договоры, юридическая работа и compliance

ontocord/Baguettotron-longsft_16k — дообученная командой Ontocord модель PleIAs/Baguettotron на наборе long_sft. Это плотная авторегрессионная языковая модель семейства Llama с 320,9 млн параметров, предназначенная для генерации текста в диалоговом формате. Она поддерживает контекст до 16 384 токенов и подходит для сценариев, где нужно учитывать более длинный контекст при ответах и продолжении текста. Модель представлена в формате safetensors и рассчитана на использование через Transformers. Карточка не приводит результатов оценки, подробного описания обучающих данных или специальных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и у правообладателя базовой модели.

Карточка модели katanemo/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Модель на 305,2 млн параметров — дообученная версия nielsr/lilt-xlm-roberta-base для поклассовой классификации токенов в документах. Архитектура LiLT использует текстовое представление XLM-RoBERTa и предназначена для задач понимания структуры документов; этот чекпойнт связан с набором FUNSD и разметкой IOB. Модель подходит для извлечения и классификации элементов в формах и документах, например для распознавания полей и их ролей. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: F1 0,7478, точность 0,7252 и полнота 0,7718. Весовые файлы представлены в формате PyTorch. Лицензия — MIT. Описание обучения и ограничений в карточке не раскрывает деталей, поэтому результаты на других типах документов и языках могут отличаться.

MaziyarPanahi/Llama-3-16B — плотная языковая модель семейства Llama 3, созданная MaziyarPanahi слиянием предварительно обученных моделей через mergekit и метод passthrough. В карточке указана модель MaziyarPanahi/Llama-3-11B как включённая в слияние; каталог также связывает её с этой моделью как с базовой дообученной моделью. Модель предназначена для генерации текста и продолжения текстовых запросов. Она содержит 16,2 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указан английский язык. Репозиторий использует Transformers и формат safetensors. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

MFANN-Phigments12-slerp — слитая модель для генерации текста, созданная netcat420 с помощью mergekit из liminerity/Phigments12 и netcat420/MFANN3bv0.6 методом SLERP. Модель построена на архитектуре Phi и содержит 3,5 млрд параметров; веса представлены в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Подходит для сценариев генерации и продолжения текста. В карточке указана лицензия Apache-2.0.

mjwong/multilingual-e5-large-xnli — многоязычная модель классификации текста, дообученная на XNLI на основе intfloat/multilingual-e5-large. Её можно использовать в zero-shot-классификации: передать текст и произвольные метки классов, после чего модель оценит соответствие текста каждой метке. Для случаев, когда к тексту подходят несколько меток, поддерживается независимая оценка каждого класса. Модель построена на архитектуре XLM-RoBERTa-large и содержит около 658,7 млн параметров. Контекст — до 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также тесты на MultiNLI и ANLI. Модель распространяется по лицензии MIT.

Ramakrishna-7b-v4 — языковая модель для генерации текста, созданная объединением пяти моделей с помощью LazyMergekit. Она основана на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста; метаданные Hugging Face также указывают эту задачу как основную. Веса опубликованы в формате safetensors. В README не описаны особенности качества, поддерживаемые языки и конкретные области применения, поэтому их нельзя определить по имеющимся данным. Лицензия в предоставленных метаданных и README не указана.

bullerwins/translategemma-12b-it-GGUF — GGUF-версия TranslateGemma 12B IT, модели Google Translate на базе семейства Gemma 3. Модель предназначена для перевода текста между 55 языками, а также для извлечения текста из изображений с последующим переводом. Благодаря относительно компактному размеру её предполагается использовать на ноутбуках, настольных компьютерах и в собственной облачной инфраструктуре. Модель мультимодальная: принимает текст или изображения, нормализованные до разрешения 896 × 896 и кодируемые в 256 токенов на изображение. Общий входной контекст составляет 2K токенов, выходом является текст на целевом языке. Для работы требуется специальный chat template с ролями User и Assistant и обязательным указанием исходного и целевого языков в формате ISO 639-1 или регионализированном формате. Поддерживаемые языки и региональные варианты ограничены возможностями модели; некорректный код языка вызывает ошибку. Сильные стороны модели — сочетание перевода текста и перевода текста с изображений, поддержка 55 языков и возможность развертывания в средах с ограниченными ресурсами. Ограничения включают небольшой контекст, строгий формат входных сообщений и необходимость применять совместимый шаблон чата. Дополнительные сценарии, например автоматическое постредактирование машинного перевода, упоминаются как неофициально поддерживаемые. Использование регулируется лицензией Gemma и условиями Google; доступ к исходной модели на Hugging Face требует принятия условий использования.

YamshadowStrangemerges_32_Experiment28Experiment26 — слитая модель семейства Mistral, объединяющая automerger/YamshadowStrangemerges_32-7B и automerger/Experiment28Experiment26-7B. Она предназначена для генерации текста и имеет архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

YamshadowStrangemerges_32_Strangemerges_32Shadow — объединённая модель семейства Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32Shadow-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров с контекстом до 32 768 токенов. Модель принимает текст и генерирует текст; репозиторий содержит веса в формате safetensors. Поддерживаемые языки и специальные прикладные области по карточке не установлены. Модель распространяется по лицензии Apache-2.0.

Experiment28M7_Experiment26Strangemerges_32 — объединённая модель генерации текста на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment26Strangemerges_32-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Репозиторий распространяется по лицензии Apache-2.0. Сведения о специализированной настройке модели и её ограничениях в карточке не приведены.

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

Aitana-7B-S-Instruct — это языковая модель семейства Aitana, разработанная группой GPLSI Университета Аликанте. Модель построена на базе gplsi/Aitana-7B-S-base-1.0 и дообучена следовать инструкциям. Это декодерный Transformer архитектуры Llama с 6,7 млрд параметров по метаданным и контекстом до 8192 токенов. Модель предназначена для диалогов, ответов на запросы и генерации текста на валенсийском, испанском и английском языках; особое внимание уделено валенсийскому. Её можно применять для общения с пользователями, черновиков текстов и задач в административной, юридической и туристической областях. По карточке модель не рассчитана на роль надёжной фактологической базы. Лицензия — Apache-2.0.

Карточка модели Hacking2188/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

MeliodasT3q_Experiment26Strangemerges_32 — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста. Она содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации продолжений и ответов в текстовых сценариях. Модель объединяет automerger/MeliodasT3q-7B и automerger/Experiment26Strangemerges_32-7B. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

rizla/rizla-69 — текстовая генеративная модель семейства Llama с плотной архитектурой LlamaForCausalLM и 67,5 млрд параметров. Репозиторий содержит веса в формате safetensors; заявленное контекстное окно — 32 768 токенов. Модель предназначена для генерации текста. В README сказано, что это копия «momo-qwen-72B», однако описание обрезано и не сообщает, как модель обучалась и для каких конкретных сценариев предназначена. Лицензия — Apache-2.0.

Rombos-Qwen2.5-Writer-32b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Rombos-Qwen2.5-Writer-32b, разработанной SubtleOne и подготовленной квантизатором bartowski. Модель основана на архитектуре Qwen2.5, однако точная конфигурация архитектуры, поддерживаемые языки и размер контекста в README не указаны. Формат предназначен для локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель ориентирована на генерацию и редактирование текста, а также на сценарии, где важны писательские возможности, поскольку в её названии указано назначение Writer. Доступны варианты от полноточного F16 размером 65,53 ГБ до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ различных размеров. Квантизации выполнены с использованием imatrix и датасета bartowski; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены как рекомендуемые благодаря сочетанию качества и экономии памяти. Более компактные варианты требуют меньше оперативной памяти, но уступают по качеству. Это текстовая, а не мультимодальная модель: сведения о работе с изображениями, аудио или видео отсутствуют. Основные ограничения — значительные требования к памяти для 32B-модели, зависимость качества от выбранного уровня квантизации и отсутствие в README подробных данных о производительности, языках и контексте. Для диалогового запуска следует использовать формат prompt с маркерами im_start и im_end. Для модели указана лицензия Apache-2.0.

SauerkrautLM-Multi-ModernColBERT — многоязычная модель поиска VAGOsolutions на архитектуре ColBERT с поздним взаимодействием и основой ModernBERT. Она дообучена продолжительным предобучением модели lightonai/GTE-ModernColBERT-v1 с дистилляцией знаний от моделей переранжирования. Модель содержит 149 млн параметров, использует PyLate и принимает документы длиной до 8192 токенов и запросы до 256 токенов. Модель предназначена для семантического поиска и извлечения документов, включая поиск по многоязычным коллекциям и запросы на разных европейских языках. Она обучалась на семи языках: немецком, английском, испанском, французском, итальянском, нидерландском и португальском. ColBERT сопоставляет запрос и документ на уровне токенов с помощью MaxSim и формирует многовекторные представления для ранжирования релевантности. В README приведены результаты NanoBEIR Europe и заявлено сохранение сильных результатов английской базовой модели при расширении поддержки европейских языков. Лицензия — Apache 2.0. Показатели в карточке относятся к указанному бенчмарку и сами по себе не гарантируют качество на других коллекциях; для работы требуется совместимый стек PyLate или text-embeddings-inference.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

Ingot-7b-slerp-3 — слитая модель на архитектуре Mistral, созданная с помощью LazyMergekit из flemmingmiguel/MBX-7B и liminerity/Ingot-7b-slerp. Веса объединены методом SLERP; в конфигурации flemmingmiguel/MBX-7B указан как базовая модель, а тип данных — bfloat16. Модель предназначена для генерации текста по запросу. Она содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Карточка не приводит сведений о целевых языках, специальных областях применения или оценках качества. Модель опубликована в формате safetensors. Лицензия в предоставленных сведениях не указана.

LeoLM 70b — открытая языковая модель, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это причинный декодерный трансформер семейства Llama, дообученный продолжением предобучения на большом корпусе преимущественно немецкоязычных и локально ориентированных текстов на базе meta-llama/Llama-2-70b-hf. Модель предназначена для генерации текста на немецком и английском языках, включая исследовательские и коммерческие сценарии работы с немецкоязычными LLM. Модель содержит 68,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Опубликована в формате safetensors и загружается через Transformers. Для запуска требуется значительный объём видеопамяти, вероятно, несколько устройств; квантизация может снизить требования к памяти. Распространяется по лицензии Llama 2 Community License Agreement.

mBART-50 many-to-many — модель машинного перевода от Facebook, дообученная на основе mBART-large-50. Она переводит напрямую между любыми парами из 50 языков: целевой язык задаётся специальным токеном в начале генерации. Модель построена на архитектуре MBartForConditionalGeneration и содержит около 457,4 млн параметров; максимальная длина контекста — 1024 токена. Модель предназначена для многоязычного перевода текстов, включая перевод на русский и с русского. Для её использования требуется указать токен целевого языка при генерации. Карточка не сообщает лицензию и специфические ограничения качества, поэтому их нельзя уточнить по имеющимся данным.

Mistralic-7B-1 — языковая модель на 7,1 млрд параметров, разработанная SkunkworksAI на архитектуре Mistral и предназначенная для генерации текста. В карточке приведён результат оценки: средний балл 0,72157; для сравнения указаны 0,7116 у mistralai/Mistral-7B-v0.1 и 0,6794 у mistralai/Mistral-7B-Instruct-v0.1. Модель имеет контекст длиной до 32 768 токенов и представлена в формате PyTorch. Карточка не уточняет набор языков, лицензию, обучающие данные или конкретные сценарии применения, поэтому эти характеристики нельзя надёжно определить.

Falconsai разработала дообученную модель на базе DistilBERT-base-uncased для ответов на вопросы по заданному контексту. Она использует архитектуру DistilBertForQuestionAnswering и принимает текст с вопросом и контекстом, чтобы определить ответ; контекст ограничен 512 токенами. Модель рассчитана на английский язык и подходит для сценариев, где важны компактность и быстрая обработка текста, например для поиска ответов в документах. В README также упоминаются классификация текста, анализ тональности и распознавание именованных сущностей, но обучение этой версии было сосредоточено на ответах на вопросы. Качество на конкретных данных следует проверять отдельно: модель может хуже работать на отличающихся от обучения текстах и задачах. Распространяется по лицензии Apache-2.0.

ShadowStrangemerges_32-7B — объединённая модель для генерации текста, созданная Maxime Labonne из CorticalStack/shadow-clown-7B-slerp и Gille/StrangeMerges_32-7B-slerp. В основе лежит плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Веса объединены методом SLERP с параметрами, заданными отдельно для слоёв внимания и MLP. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. README не уточняет специализацию по языкам или отдельным прикладным областям.

T3qm7Strangemerges_32-7B — автоматически созданное Maxime Labonne слияние двух моделей Mistral: nlpguy/T3QM7 и Gille/StrangeMerges_32-7B-slerp. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. README описывает слияние методом SLERP с настройками для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Модель utrobinmv/t5_translate_en_ru_zh_large_1024 — мультиязычная версия трансформера T5 для машинного перевода, разработанная автором репозитория. Она переводит между русским, китайским и английским языками: ru↔zh, en↔zh и en↔ru. Целевой язык задаётся префиксом «translate to :»; язык исходного текста можно не указывать, а сам текст может содержать несколько языков. Модель содержит 419 млн параметров и опубликована в формате safetensors. В карточке указано обучение на датасете CCMatrix. Поддерживаются русский, китайский и английский языки. Репозиторий распространяется по лицензии Apache-2.0.

VARCO-VISION-2.0-1.7B-OCR — компактная OCR-модель от OpenLLM-Korea для распознавания текста на изображениях с определением положения каждого символа. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2 с языковой моделью Qwen3-1.7B; модель рассчитана на распознавание корейского и английского текста, в том числе в смешанных документах. Модель выдаёт распознанные символы с координатами их ограничивающих рамок, что позволяет сохранять пространственную структуру текста и использовать результат для последующей обработки документов. Она предназначена для OCR в реальном времени и сценариев с ограниченными вычислительными ресурсами. В README приведены результаты на CORD, ICDAR2013 и ICDAR2015; показатели различаются между наборами данных. Для работы рекомендуется Transformers версии 4.53.1 или выше; для небольших изображений авторы советуют увеличить длинную сторону как минимум до 2304 пикселей. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

qgrantq/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для извлечения ответа на вопрос из предоставленного текста и подходит для систем поиска по документам и автоматизации ответов по контексту. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на английские тексты, что следует из базовой модели bert-base-cased и датасета SQuAD. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях; результаты могут зависеть от соответствия входного текста распределению SQuAD.

Карточка модели TigerByteCyber/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.