III.9Закупки и управление поставщиками

Adaptive Classifier — текстовый классификатор на основе answerdotai/ModernBERT-base, представленный как адаптивная модель с возможностью непрерывного обучения и динамического добавления классов. В опубликованном состоянии он различает два класса: new_vendor и trusted_partner; карточка указывает 10 обучающих примеров и размер эмбеддингов 768 измерений. Модель предназначена для классификации текстов с возможностью обновлять классы по мере накопления примеров. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Для каждого класса требуется не менее трёх примеров; поддерживается до 150 примеров на класс, а прототипы обновляются каждые 10 примеров.

HarshilDaGoat/gem-recommendation-writer — небольшая последовательная модель генерации текста на базе T5, дообученная для подготовки кратких рекомендаций сотрудникам по закупкам GeM. Она преобразует структурированную сводку проверки заявки — уровень риска, оценку и результаты автоматической проверки — в рекомендацию о допуске, отклонении или необходимости дополнительной проверки сотрудником. Модель рассчитана на локальный запуск и получает только структурированную сводку, а не исходные документы участника. Модель содержит 45,8 млн параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст до 512 токенов. Обучение проводилось на синтетических примерах; поэтому формулировки ограничены шаблонами и модель не рассуждает за пределами содержащихся в них выводов проверки. README указывает высокие результаты на синтетическом тестовом наборе, но также предупреждает, что модель может ошибиться в вердикте, пропустить или выдумать вывод. Для показа рекомендаций сотруднику следует использовать описанную в проекте проверку результата с резервным детерминированным шаблоном. Результат имеет рекомендательный характер, решение принимает сотрудник. Лицензия — Apache-2.0.

OjaLM-v0.1 — специализированная языковая модель для задач торговли на африканских рынках, разработанная Ctrl+Prompt на основе Qwen3.5-4.8B и опубликованная в формате GGUF. Это каузальная языковая модель для генерации текста и диалоговых сценариев; она адаптирована к торговой терминологии, местным единицам измерения, сравнению цен между рынками и рассуждениям о региональных условиях поставок. В описании заявлена поддержка английского, йоруба, хауса, игбо и суахили. Модель предназначена для использования в торговых приложениях и агентных системах, включая интерпретацию ценовых предложений, пересчёт локальных единиц, оценку ценовых различий и подготовку структурированных ответов. Для актуальных цен и сведений о перебоях в поставках её следует подключать к OjaGraph или активному источнику данных: веса модели не содержат надёжной ежедневной информации. Разработчик сообщает о результатах на специализированном OjaBench, включая точность пересчёта единиц и отсутствие вымышленных цен при наличии свидетельств OjaGraph; эти показатели относятся к заявленной оценке автора. Лицензия — MIT.

Fallovski/PharmAfiyahProducts — франкоязычная модель Sentence Transformers от Fallovski для поиска совпадающих фармацевтических и парафармацевтических товаров по коротким, сокращённым или неодинаково записанным названиям. Это дообученный биэнкодер на базе doctolib-lab/doctobert-fr-base с архитектурой RoBERTa: он преобразует названия товаров в плотные векторы размерностью 768 и оценивает их близость по косинусному сходству. Максимальная длина входа — 64 токена. Модель предназначена для быстрого поиска кандидатов в каталоге, сопоставления товаров, выявления дубликатов и поиска с подсказками. Она обучена на размеченных парах названий товаров и специализирована на точном совпадении товара и его представления — марки, действующего вещества, дозировки, формы, объёма и упаковки. Валидационные метрики включают cosine AP 0,9685 и F1 около 0,90; результаты относятся к указанному набору данных. Модель не предназначена для общей семантической близости: варианты, различающиеся дозировкой, объёмом или маркой, должны считаться разными. Указанный базовый энкодер франкоязычный, а обучение модели проводилось на названиях продуктов; перенос на другие языки и каталоги требует проверки. Лицензия в предоставленных данных не указана.

themelder/arctic-embed-xs-entity-resolution — модель эмбеддингов, созданная командой Melder на основе Snowflake/snowflake-arctic-embed-xs и оптимизированная для сопоставления записей об одних и тех же объектах в разнородных наборах данных. Она предназначена прежде всего для связывания контрагентов по названиям, адресам и идентификаторам, включая сокращения, опечатки и неполные поля, а также для дедупликации записей. Модель использует архитектуру BERT с 6 слоями, 12 головами и размерностью скрытого состояния 384; в метаданных указано 25,9 млн параметров. Она формирует 384-мерные L2-нормализованные векторы, а сходство записей оценивается косинусным сходством. Контекст составляет 512 токенов. Модель дообучена методом LoRA на синтетических данных финансового домена; доступны веса Safetensors и экспорт ONNX. README сообщает о снижении перекрытия оценок совпадающих и несовпадающих пар и росте precision и recall на отложенной выборке. Модель рассчитана на короткие англоязычные названия и адреса, а не на длинные документы или универсальный семантический поиск. Она может хуже работать с другими типами сущностей и не предназначена для надёжного сопоставления аббревиатур с полными названиями. Лицензия — Apache-2.0.

Subramanya97/modernbert-large-unspsc-query — дообученная модель классификации запросов на базе двунаправленного энкодера answerdotai/ModernBERT-large. Она сопоставляет короткий текстовый запрос с одной или несколькими из 732 точных категорий UNSPSC; на вход подаётся только запрос, а выходом служат оценки категорий, отфильтрованные порогом 0,81. Модель содержит 394,7 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и поддерживает контекст до 8192 токенов, хотя при обучении максимальная длина входа составляла 256 токенов. Модель предназначена для классификации поисковых запросов по категориям товаров и услуг UNSPSC. Обучена на 128 373 примерах с метками слабого надзора. Приведённые метрики измеряют соответствие обучающей выборке, а не качество на новых данных; модель следует проверять на отдельной выборке с ручной разметкой. Лицензия — Apache-2.0; проект не связан с UNSPSC и не одобрен этой организацией.

Supply Chain RAG Embeddings — дообученная Varun Mathur модель эмбеддингов на базе all-MiniLM-L6-v2 для поиска по материалам о цепочках поставок. Она преобразует текстовые запросы и документы в векторные представления для retrieval-сценариев, включая поиск исторических прецедентов, сведений об экспортном контроле, источниках поставок в Индии и пар вопрос–ответ о мерах снижения рисков. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для семантического поиска и подбора контекста в системах RAG по тематике цепочек поставок. В карточке указана лицензия Apache-2.0. README показывает пример кодирования текстового запроса через Sentence Transformers; качество зависит от соответствия корпуса и запросов тематике обучения.

Supply Chain DistilBERT Risk Classifier — дообученная модель DistilBERT от mathurvarun84 для классификации рисков в цепочках поставок электроники. Она относит входной текст к одному из четырёх классов: LOW, MEDIUM, HIGH или CRITICAL, и подходит для автоматической оценки записей о возможных сбоях поставок. Модель основана на distilbert-base-uncased, принимает текст на английском языке с контекстом до 512 токенов и выдаёт метку класса. Используются веса в формате safetensors. Лицензия — Apache-2.0.

Distil-Qwen3.5-4B-Invoice-Decision — дообученная командами distil labs версия Qwen3.5-4B для принятия решений по счетам поставщиков. Она сопоставляет данные счёта, заказа на закупку и подтверждения приёмки, проверяет их по заданной политике и выдаёт одно из пяти решений: оплатить или приостановить оплату с указанием причины. Модель основана на плотной архитектуре Qwen3_5ForCausalLM, содержит 3,4 млрд параметров и имеет контекст 262 144 токена. При обучении использовано 4 156 синтетических примеров, созданных учительской моделью GLM 5.3 на основе 40 исходных примеров. Для пошагового рассуждения авторы рекомендуют включать режим thinking; модель также поддерживает чатовый режим. В тесте на 100 счетах модель приняла 98 правильных решений; ошибки возникли при суммировании строк с крупными суммами. Она предназначена для проверки счетов по одной конкретной политике, а не для роли универсального помощника. Обучающие данные написаны на английском языке для вымышленной компании и используют одну валюту, поэтому перенос на другие политики, языки и валюты не подтверждён. Лицензия — Apache-2.0.

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.

Tanpo Ops — компактная языковая модель для операционных и бизнес-процессов, созданная d4rkninja как часть семейства Tanpo. Это дообученная и объединённая с базовыми весами версия LiquidAI/LFM2.5-1.2B-Instruct: архитектура LFM2, около 1,5 млрд параметров по метаданным и контекст до 128 000 токенов. Модель работает с текстом и предназначена для локального и недорогого запуска; карточка указывает английский язык. Модель помогает составлять черновики планов мощностей и ресурсов, декомпозировать OKR, готовить SOP и чек-листы для работы с поставщиками, проектировать передачи задач и оформлять разборы инцидентов. Она ориентирована на структурированные ответы с явным разделением фактов, допущений, рисков, ответственных и следующих шагов. Специализация сужает качество за пределами операционных сценариев; небольшой размер ограничивает объём знаний и сложность долгосрочных рассуждений. Внутренняя автоматизированная оценка показала преимущество над базовой моделью в целом, но результаты не являются отраслевым бенчмарком, а по передачам задач, SOP, операционному ритму и разборам инцидентов модель уступала базе. Рекомендации требуют проверки человеком. Лицензия указана как other, конкретные условия в карточке не приведены.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В архитектуре используется BERT с CLS-пулингом и нормализацией векторов; близость оценивается косинусным сходством. Контекст ограничен 512 токенами. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, экономя место и вычисления с некоторым снижением качества поиска. Модель также подходит для кластеризации, поиска перефразирований и классификации текстов на основе эмбеддингов. Лицензия — Apache-2.0.

cristuf/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором cristuf на BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные эмбеддинги на основе BERT и подходит для семантического поиска, оценки сходства и поиска перефразировок; векторы также можно использовать для кластеризации и классификации текстов.

Anikulkar разработал эту англоязычную модель Sentence Transformers дообучением BAAI/bge-base-en-v1.5 на финансовых текстах и запросах. Она кодирует предложения и абзацы в плотные векторы для семантического поиска, сравнения текстов, извлечения информации, кластеризации и классификации. Векторное пространство имеет размерность 768; архитектура основана на BERT с пулингом CLS-токена и нормализацией, а сходство оценивается косинусной мерой. Контекст ограничен 512 токенами; обучение использовало 90 пар финансового текста и запросов. Модель поддерживает Matryoshka-представления с сокращаемой размерностью эмбеддингов: в карточке приведены оценки поиска для размерностей 64, 128, 256, 512 и 768. Это позволяет выбирать компромисс между размером вектора и качеством. Лицензия — Apache-2.0. Карточка приводит результаты на наборе данных, название которого не указано, поэтому эти показатели не следует считать независимой оценкой на широком наборе финансовых задач.

TAPAS small — модель Google на архитектуре TAPAS, дообученная на задаче последовательных вопросов и ответов по таблицам (SQA). Она принимает вопрос и таблицу, представленную в текстовом виде, и выбирает ячейки таблицы для ответа; это подходит для диалогового поиска фактов в табличных данных. Модель содержит 32,4 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Дообучению предшествовали маскированное языковое моделирование и промежуточное обучение на примерах числовых рассуждений по таблицам. По умолчанию используется вариант с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Модель обучена для английского языка на наборе SQA и предназначена для ответов на вопросы о таблицах. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная abinj30 на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы: исходная размерность — 768, для поиска также доступны укороченные представления размерностью 512, 256, 128 и 64. Архитектура основана на BERT с пулингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения финансовых текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска для нескольких размерностей эмбеддинга. Обучение проводилось на 6 300 парных примерах с полями anchor и positive; указаны MatryoshkaLoss и MultipleNegativesRankingLoss. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено.

phamkinhquoc2002/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она построена на BERT и преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; сходство текстов можно оценивать по косинусному сходству. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 для компромисса между размером вектора и качеством поиска. Модель подходит для семантического поиска и ранжирования финансовых текстов, сравнения предложений, поиска перефразировок, кластеризации и подготовки эмбеддингов для классификации или RAG. Максимальная длина входа — 512 токенов. В README приведены результаты поиска на нескольких размерностях, однако набор данных и контекст оценки описаны ограниченно, поэтому эти метрики не гарантируют качество на других финансовых корпусах. Использование требует лицензии и условий базовой модели BAAI/bge-base-en-v1.5; отдельная лицензия в предоставленных данных не указана.

Rakshit0041 разработал англоязычную модель эмбеддингов предложений на базе BAAI/bge-base-en-v1.5, дообучив её на 6 300 парах текстов из набора json. Модель построена на BERT и Sentence Transformers: объединяет представления токенов через CLS-пулинг, нормализует результат и кодирует предложения и абзацы в плотные векторы. Полный размер вектора — 768 измерений; благодаря обучению Matryoshka доступны укороченные представления размером 512, 256, 128 и 64 измерения. Модель предназначена для семантического поиска и сравнения текстов, включая поиск и сопоставление финансовых формулировок. В карточке приведены результаты оценки информационного поиска для нескольких размерностей векторов; сходство рассчитывается косинусной мерой. Также эмбеддинги можно применять для поиска перефразировок, кластеризации и классификации текста. Максимальная длина последовательности — 512 токенов. Модель принимает текст и выдаёт векторы; она ориентирована на английский язык. Лицензия — Apache-2.0. Качество за пределами приведённой оценки и финансового набора данных не установлено.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная Soumya Mohanty на основе BAAI/bge-base-en-v1.5 на 6 300 примерах финансовых текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров, выдаёт плотные векторы размерности 768 и принимает последовательности длиной до 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления финансовых предложений и фрагментов документов; также её можно применять для поиска перефразировок, кластеризации и классификации текста. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с приведёнными в карточке результатами оценки поиска для этих размерностей. Лицензия — Apache-2.0. Модель создаёт текстовые эмбеддинги и рассчитана на английский язык. Оценки поиска относятся к указанным в карточке тестовым наборам; отдельные сведения о поведении на других языках и финансовых доменах не приводятся.

FinModernBERT-embed-large-v1 — англоязычная модель для получения плотных векторных представлений финансовых текстов, разработанная BatuhanECB. Это дообученный ModernBERT-large с архитектурой ModernBERT и 394,7 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Контекст составляет до 8192 токенов. Модель предназначена для поиска и сопоставления финансовых текстов, семантического сходства, ранжирования и задач на основе эмбеддингов. В README описано обучение на финансовых данных и оценка на английском бенчмарке FinMTEB: особенно сильные результаты показаны в задачах семантического сходства и суммаризации. Для длинных документов автор рекомендует разбивать текст на фрагменты и агрегировать их представления. Ограничения включают слабые результаты на поиске по таблицам и числовых вопросах, кластеризации научных финансовых текстов и классификации заголовков; качество в общей, нефинансовой области не гарантируется. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Qwen3-8B Financial — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-8B. Она предназначена для понимания финансовых текстов и поддерживает ответы на вопросы, выбор вариантов ответа, анализ тональности, классификацию тем и суммаризацию. Модель содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В метаданных перечислена поддержка английского, китайского, японского, испанского, греческого и индонезийского языков. Для генерации автор рекомендует передавать запрос напрямую, без системного сообщения и обёртки чата, с жадным декодированием при temperature 0. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о финансовых данных и ограничениях применимости ответов.

OdooClaw Light 1.2B FT — MLX BF16 — это дообученная Nicolas Ramos версия LiquidAI/LFM2.5-1.2B-Instruct для вызова инструментов Odoo через MCP. Модель принимает запросы на естественном языке в чате Odoo и выбирает подходящий инструмент ERP; заявлены диалог с учётом истории и сценарии поиска, создания записей и выполнения бизнес-операций. Архитектура — плотная LFM2 causal language model, объём — 1,5 млрд параметров, контекст — до 128 000 токенов. Репозиторий содержит полноточные BF16-веса в формате Safetensors для MLX на Apple Silicon; для запуска указан mlx-lm. На карточке приведены результаты оценки версии v18 на наборах диалоговых, задач создания и бизнес-сценариев. Модель рассчитана на локальный запуск и интеграцию с Odoo, в том числе на компьютерах Apple Silicon с ограниченной памятью, хотя BF16-версия требует около 2,4 ГБ памяти. README рекомендует 4-битную версию для повседневного запуска на устройстве. Лицензия — Apache-2.0. Оценки качества опубликованы разработчиком; результаты могут зависеть от инструментов, интеграции и характера запросов.

obsei-ai/sell-buy-intent-classifier-bert-mini — компактная модель классификации текста на основе BERT, разработанная Obsei AI. Она относит сообщение к намерению купить или продать товар; примеры включают запросы цены, поставщика и образца, а также объявления о продаже. Модель содержит 12 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведены точности 0,988 на валидации и 0,992 на тесте. Модель предназначена для автоматической сортировки коммерческих сообщений и объявлений. В метаданных указан английский язык. Для использования доступна через Transformers; веса представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

InnerJev-27B-Full — модель для принятия решений из семейства InnerJev-27B, созданная на основе Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, в интерфейсе ответного слота; поддерживаются задачи выбора, бинарного и вероятностного Noul, а также упорядочивания Score. Обучение на 39 279 вопросах оптимизировало распределения решений и не включало общую диалоговую настройку для свободного общения. Это плотная модель архитектуры Qwen3_5ForConditionalGeneration с полными обновлениями языковых линейных слоёв, охватываемых LoRA. Эмбеддинги, выходная голова, нормализация и параметры зрения остаются замороженными. Хотя архитектура сохраняет компоненты обработки изображений, обучение и интерфейс вывода InnerJev рассчитаны на текстовый ввод. Для загрузки полных объединённых весов не нужны PEFT или отдельная базовая модель. Модель предназначена для прикладных сценариев оценки вариантов и вероятностного ранжирования решений, а не для свободной генерации ответов. В README приведён результат 80,1734 из 100 на фиксированном наборе из 58 бенчмарков для одного BF16-чекпойнта; это не среднее по нескольким запускам и не оценка доверительного интервала. Для загрузки в BF16 требуется достаточно оперативной или видеопамяти. Лицензия — Apache-2.0.

finance-minilm-l6-v2 — англоязычный текстовый энкодер для финансовой терминологии, созданный adammoood на основе sentence-transformers/all-MiniLM-L6-v2. Это модель семейства BERT с 25,9 млн параметров и контекстом до 512 токенов. В словарь добавлены 15 финансовых терминов как отдельные токены; исходные 30 522 строки эмбеддингов сохранены, а эмбеддинги новых токенов инициализированы средним значением эмбеддингов их прежних субсловных частей. Модель предназначена для извлечения признаков и создания векторных представлений финансовых текстов, которые можно применять в семантическом поиске, сравнении и кластеризации. Новые эмбеддинги служат начальной точкой для последующего дообучения на финансовом домене; дополнительного дообучения не проводилось. Распространяется по лицензии Apache-2.0.

Модель exoldoff/bge-reranker-v2-m3-cross-encoder-marketplaces-rus разработана на основе BAAI/bge-reranker-v2-m3 и дообучена как кросс-энкодер Sentence Transformers для сопоставления пар товаров. Она оценивает, описывают ли две записи один и тот же базовый SKU; более высокий sigmoid score означает большую вероятность совпадения. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и имеет контекст до 8194 токенов; при обучении максимальная длина последовательности составляла 192 токена. Модель предназначена для дедупликации русскоязычных карточек товаров Ozon, Яндекс.Маркета и Wildberries в категориях соусов, кокосового масла и мыла. Она принимает структурированные тексты пар товаров с полями бренда, названия, категории, площадки и веса. Её применяют после генерации кандидатов, чтобы ранжировать или классифицировать пары; поиск кандидатов и окончательную группировку вариантов упаковки нужно выполнять отдельно. При обучении разные количества одинаковых упаковок могли считаться одним базовым товаром. На тестовом наборе README приводит F1 0,9427 при пороге 0,5; порог следует выбирать на данных целевого каталога с учётом цены ошибочных объединений. Обучающий набор небольшой, поэтому возможны слепые зоны по категориям. Лицензия в предоставленных данных не указана.

Это корейская корпоративная языковая модель SEOKDONG, дообученная методом SFT на базе openai/gpt-oss-safeguard-20b. Модель предназначена для корейских пользователей и офлайн- или локальных корпоративных сред. Она помогает учитывать корейские нормы общения и деловой контекст, готовить документы по типовым корпоративным форматам, анализировать юридические, бухгалтерские и финансовые тексты, а также преобразовывать табличные данные и данные ERP в отчёты и сводки. Модель поддерживает генерацию текста и диалоговый режим; архитектура — decoder-only MoE семейства gpt_oss. В метаданных указаны 1,6 млрд параметров и контекст до 131 072 токенов. README указывает корейский как основной язык, а японский и китайский — для специализированного перевода. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сильные стороны — корейский корпоративный стиль, деловые документы и задачи по корейским праву, учёту и финансам. Возможны ошибки, устаревание сведений о законах и стандартах, а также снижение качества на коде, математике и других языках; ответы для юридических, бухгалтерских и комплаенс-решений требуют проверки специалистом.

JFernandoGRE/gtelarge-colombian-corporationnames — модель Sentence Transformers, дообученная на базе thenlper/gte-large для сравнения названий колумбийских компаний. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 1024; сходство между ними можно оценивать косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенов и нормализацию, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления названий организаций, включая выявление вариантов написания и похожих названий. Также её эмбеддинги можно применять для кластеризации, поиска парафразов и классификации текста. Обучение включало 14 872 пары примеров с OnlineContrastiveLoss; в README приведены примеры с названиями колумбийских компаний. Лицензия в предоставленных данных не указана.

TableGPT2-7B — языковая модель Zhejiang University для анализа таблиц и задач, связанных со структурированными данными. Это дообученная модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она принимает текст и табличные данные, представленные в текстовом виде, например как результат df.head(), и формирует текстовые ответы. Модель предназначена для интерпретации таблиц, генерации кода, ответов на вопросы бизнес-аналитики и обработки запросов к базам данных и хранилищам. В карточке заявлена длина контекста 32 768 токенов; README приводит для обучения конфигурации контекст в 128K токенов, поэтому фактический предел использования следует сверять с настройками конкретной сборки. Модель отдельно описана как декодер, способный работать без специализированного семантического энкодера, интеграция которого ещё готовится. Основной акцент обучения сделан на китайских данных; поддержка других языков, включая английский, может быть ограниченной. Данные обучения имеют срез на октябрь 2024 года, поэтому модель не отражает более поздние сведения. Распространяется по лицензии Apache-2.0.

MIMIR-1 — разработанная Mythologic англоязычная модель для структурированных решений в системах с агентами. Это энкодер ModernBERT-Large с отдельной решающей головой, всего 419 млн параметров; модель не генерирует текст, а возвращает типизированный ответ с вероятностями, фрагментами контекста, на которые опирается, и сигналом о возможности безопасно действовать или необходимости передать решение на проверку. Входом могут быть контекст в виде текста, пассажей, таблиц с типизированными значениями или JSON-состояния, вопрос и заданный вызывающей стороной набор вариантов. Модель поддерживает выбор одного или нескольких вариантов, ответы да/нет, проверку утверждений, маршрутизацию запросов, проверку условий вызова инструментов, ранжирование и другие решения с заданным пространством ответов. Результат может иметь статус DECIDED, ABSTAINED или DEFERRED; для принятия решения используются калиброванные пороги и сертификаты из поставляемой политики. Лицензия указана как other. Модель предназначена для английских данных. Сертифицированное покрытие избирательно: для некоторых типов решений поставляемая политика всегда откладывает ответ, а fp16-граф не содержит политики сертификации. По данным карточки скорость 1,7 решения в секунду измерена только на процессоре M4; результаты бенчмарков приведены авторами модели.